Random-key genetic algorithms: Principles and applications

要約

ランダムキー遺伝的アルゴリズムは、離散的かつグローバルな最適化のための進化的メタヒューリスティックです。
各ソリューションは、nランダムキーのベクトルとしてエンコードされます。ランダムキーは、連続間隔[0、1）でランダムに生成される実数の数字です。
デコーダーは、ランダムキーの各ベクトルを、解決する最適化問題の解にマップし、コストを計算します。
このアプローチの利点は、対処されている問題に関係なく、すべての遺伝子演算子と変換を単一のハイパーキューブ内で維持できることです。
これにより、コアフレームワークの生産性と保守性が向上します。
アルゴリズムは、ランダムキーのpベクターの母集団で始まります。
各反復で、ベクトルは2つのセットに分割されます：高価値エリートソリューションの小さいセットと残りの非エリートソリューション。
すべてのエリート要素は、次の集団に変更せずにコピーされます。
少数のランダムキーベクトル（変異体）が、次の反復の集団に追加されます。
次の反復の母集団の残りの要素は、槍とデジョン（1991）のパラメーター化された均一なクロスオーバーと、ソリューションのペアを組み合わせることによって生成されます。
この章では、ランダムキーの遺伝的アルゴリズムをレビューし、バイアスランダムキー遺伝子アルゴリズムと呼ばれる効果的なバリアントについて説明します。

要約(オリジナル)

A random-key genetic algorithm is an evolutionary metaheuristic for discrete and global optimization. Each solution is encoded as a vector of N random keys, where a random key is a real number randomly generated in the continuous interval [0, 1). A decoder maps each vector of random keys to a solution of the optimization problem being solved and computes its cost. The benefit of this approach is that all genetic operators and transformations can be maintained within the unitary hypercube, regardless of the problem being addressed. This enhances the productivity and maintainability of the core framework. The algorithm starts with a population of P vectors of random keys. At each iteration, the vectors are partitioned into two sets: a smaller set of high-valued elite solutions and the remaining non-elite solutions. All elite elements are copied, without change, to the next population. A small number of random-key vectors (the mutants) is added to the population of the next iteration. The remaining elements of the population of the next iteration are generated by combining, with the parametrized uniform crossover of Spears and DeJong (1991), pairs of solutions. This chapter reviews random-key genetic algorithms and describes an effective variant called biased random-key genetic algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google