Оператори схрещування та мутації в стохастичних алгоритмах

Abstract

Описано актуальність освітлення сучасних стохастичних алгоритмів, вказано, що у останні два десятиліття спостерігається стрімкий розвиток стохастичних алгоритмів, який пояснюється збільшенням дослідницьких можливостей та зростанням обсягу даних, які обробляються. Ці алгоритми виявляються ефективними у розв'язанні складних оптимізаційних задач, що привертає увагу до них наукової спільноти та практиків у всьому світі. Освітлення ролі та огляд ключових операторів схрещування та мутації у стохастичних алгоритмах є актуальною науково-практичною задачею, яка сприятиме глибшому розумінню та популяризації цього напряму. Проведено аналіз категорії генома та надано детальний огляд основних способів кодування генів для їх застосування. Розглянуто роль та значення операторів схрещування та мутації в стохастичних алгоритмах. Оператори схрещування та мутації є ключовими елементами для підвищення ефективності пошуку оптимальних розв’язків.

The relevance of illuminating contemporary stochastic algorithms is highlighted, with the past two decades witnessing a rapid development in stochastic algorithms, attributed to increased research capabilities and growing data volumes. These algorithms prove effective in solving complex optimization problems, garnering attention from the global scientific community and practitioners worldwide. An exploration of the role and an overview of key crossover and mutation operators in stochastic algorithms represent a pertinent scientific and practical endeavor, fostering deeper understanding and popularization of this field. A genome category analysis is conducted, accompanied by a detailed review of primary gene encoding methods for practical application. The importance and functionality of mutation operators in optimization stochastic algorithms are highlighted, indicating that mutation enables the avoidance of algorithmic stagnation in local extrema, preserving genetic diversity and stimulating the search for new optimal solutions. The particular significance of mutation usage in conditions of complex problem structures or large search spaces is noted. Thus, crossover and mutation operators are deemed key elements for enhancing the effectiveness of optimal solution search.