Научный журнал
ИЗВЕСТИЯ ВЫСШИХ УЧЕБНЫХ ЗАВЕДЕНИЙ.
СЕВЕРО-КАВКАЗСКИЙ РЕГИОН.

ТЕХНИЧЕСКИЕ НАУКИ

Главная » Архив » 2022 » issue #2 Июнь 2022 » БИНАРНАЯ ОПТИМИЗАЦИЯ: ЗАДАЧИ И АЛГОРИТМЫ

ИЗВЕСТИЯ ВЫСШИХ УЧЕБНЫХ ЗАВЕДЕНИЙ СЕВЕРО-КАВКАЗСКИЙ РЕГИОН. 2022; 2: 12-19

 

http://dx.doi.org/10.17213/1560-3644-2022-2-12-19

 

БИНАРНАЯ ОПТИМИЗАЦИЯ: ЗАДАЧИ И АЛГОРИТМЫ

Мохов В.А.

Мохов Василий Александрович – канд. техн. наук, доцент, кафедра «Программное обеспечение вычислительной техники», mokhov_v@mail.ru

 

 

Аннотация

Применение метаэвристической оптимизации для решения промышленных задач с начала 1990-х гг. возросло в геометрической прогрессии. Для решения больших и сложных задач доступно коммерческое программное обеспечение. Однако открыто публикуемые алгоритмы появляются и становятся доступными в рамках той же тенденции. Особую позицию среди них занимают алгоритмы для решения задач оптимизации, в которых переменные ограничены конечным набором значений. Если в этом наборе всего два значения (например, «0» и «1»), то соответствующие задачи и алгоритмы принято называть бинарными. Число бинарных реализаций различных метаэвристик растёт. Сегодня на внутренний поисковый запрос на ресурсе mathworks.com со словосочетанием «binary optimization algorithm» предлагается к рассмотрению более 750 ссылок, посвященных вопросам разработки, модификации и практического применения данных алгоритмов, а ресурс scholar.google.com на тот же запрос предлагает около 100 000 ссылок на соответствующие научные работы, опубликованные за последние 5 лет. Поэтому в рамках данной публикации рассмотрена общая постановка задачи бинарной оптимизации, классификация и обзор новейших алгоритмов бинарной оптимизации, а также примеры прикладных задач и примеры решений.

 

Ключевые слова: системный анализ, бинарная оптимизация, бинарные метаэвристики, интеллект роя

 

Полный текст: [in elibrary.ru]

 

Ссылки на литературу

  1. Броди М. Какая аналитика нужна вашей компании // Ассоциация интернета вещей: IoT Project. 2019. 21 февраля. URL: https://iot.ru/promyshlennost/kakaya-analitika-nuzhna-vashey-kompanii (дата обращения 01.05.2022).
  2. Предписывающая аналитика: сайт компании IBM в РФ. 2022. Дата обновления: 21.02.2022. URL: https://www. ibm.com/ru-ru/analytics/prescriptive-analytics?lnk=hm (дата обращения 21.02.2022).
  3. Рой Э. Инструменты и методы предписывающей аналитики: 9+ лучших вариантов 2021 года // Доходность бизнеса. 2021. 16 июля. URL: https://businessyield.com/ru/ accounting/prescriptive-analytics-tools/ (дата обращения: 01.05.2022).
  4. Binary optimization [Электронный ресурс] // Azure Quantum documentation: Microsoft Build. 2021. 10 июня. URL: https://docs.microsoft.com/en-us/azure/quantum/optimization- binary-optimization (дата обращения 01.05.2022).
  5. Laguna M. Business Analytics for Decision Making [Электронный ресурс] // University of Colorado Boulder. 2022. URL: https://www.coursera.org/learn/business-analytics-decision-making (дата обращения 21.02.2022).
  6. Karaboga D. et al. A comprehensive survey: artificial bee colony (ABC) algorithm and applications //Artificial Intelligence Review. 2014. Т. 42. Vol. 1. P. 21 – 57.
  7. Chuang L. Y. et al. Gene selection and classification using Taguchi chaotic binary particle swarm optimization //Expert Systems with Applications. 2011. Т. 38, №. 10. С. 13367 – 13377.
  8. Emary E., Zawbaa H. M., Hassanien A. E. Binary ant lion approaches for feature selection // Neurocomputing. 2016. Т. 213. С. 54 – 65.
  9. Chandrasekaran K., Simon S. P., Padhy N. P. Binary real coded firefly algorithm for solving unit commitment problem // Information Sciences. 2013. Т. 249. С. 67 – 84.
  10. Shunmugapriya P., Kanmani S. A hybrid algorithm using ant and bee colony optimization for feature selection and classification (AC-ABC Hybrid) // Swarm and Evolutionary Computation. 2017. Т. 36. С. 27 – 36.
  11. Macedo M. et al. Overview on Binary Optimization Using Swarm-Inspired Algorithms // IEEE Access. 2021. Т. 9. Р. 149814 – 149858.
  12. Курейчик В. В., Полупанова Е. Е. Эволюционная оптимизация на основе алгоритма колонии пчёл // Изв. ЮФУ. Техн. науки. 2009. Т. 101. №. 12. С. 41 – 46.
  13. Кубил В. Н., Мохов В. А. Многоколониальный муравьиный алгоритм с модификациями для решения многокритериальных задач маршрутизации транспорта // Изв. вузов. Электромеханика. 2018. Т. 61. №. 6. С. 94 – 101.
  14. Mokhov V. A., Grinchenkov D. V., Spiridonova I. A. Research of binary bat algorithm on example of the discrete optimization task // 2016 2nd International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). IEEE, 2016. Р. 1 – 6.
  15. Bahrami M., Bozorg-Haddad O., Chu X. Cat swarm optimization (CSO) algorithm // Advanced optimization by nature-inspired algorithms. Springer, Singapore, 2018. Р. 9 – 18.
  16. Пивоваров С. А., Романов Л. Л., Мохов В. А. Анализ алгоритма, инспирированного поведением роя жуков-светляков // Научно-методический электронный журнал Концепт. 2016. T. 11. С. 3651 – 3655.
  17. Yang X. S. Flower pollination algorithm for global optimization //International conference on unconventional computing and natural computation. Springer, Berlin, Heidelberg, 2012. Р. 240 – 249.
  18. Rashedi E., Nezamabadi-Pour H., Saryazdi S. GSA: a gravitational search algorithm // Information sciences. 2009. Vol. 179, No. 13. Р. 2232 – 2248.
  19. Mirjalili S., Mirjalili S. M., Lewis A. Grey wolf optimizer // Advances in engineering software. 2014. Vol. 69. Р. 46 – 61.
  20. Poli R., Kennedy J., Blackwell T. Particle swarm optimization // Swarm intelligence. 2007. Vol. 1, No. 1. Р. 33 – 57.
  21. Mirjalili S., Lewis A. S-shaped versus V-shaped transfer functions for binary particle swarm optimization // Swarm and Evolutionary Computation. 2013. Vol. 9. Р. 1-14.
  22. Rizk-Allah R. M. et al. A new binary salp swarm algorithm: development and application for optimization tasks // Neural Computing and Applications. 2019. Vol. 31, No. 5. Р. 1641-1663.
  23. Hussien A.G. et al. New binary whale optimization algorithm for discrete optimization problems //Engineering Optimization. 2020. Vol. 52, No. 6. Р. 945 – 959.
  24. Souza R. C. T., de, et al. Binary coyote optimization algorithm for feature selection // Pattern Recognition. 2020. Vol. 107. Р. 107470.
  25. Pan J.S., Hu P., Chu S.C. Binary fish migration optimization for solving unit commitment // Energy. 2021. Vol. 226. Р. 120329.
  26. Sonuc E. Binary crow search algorithm for the uncapacitated facility location problem // Neural Computing and Applications. 2021. Vol. 33, No. 21. Р. 14669 – 14685.
  27. Wang J. et al. Binary Chimp Optimization Algorithm (BChOA): a New Binary Meta-heuristic for Solving Optimization Problems // Cognitive Computation. 2021. Vol. 13, No. 5. P. 1297 – 1316.
  28. Turkoglu B., Uymaz S.A., Kaya E. Binary Artificial Algae Algorithm for feature selection //Applied Soft Computing. 2022. Vol. 120. P. 108630.
  29. Мохов В.А. Применение агентных метаэвристик в реализации технологической цепочки минимизации потерь электроэнергии // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2021. № 1 (209). С.18 – 26.
  30. Mokhov V., Tkachev A., Shaykhutdinov D. Optimal Control of Phase-to-Phase Switching of Single-Phase Power Consumers Based on Binary Algorithms of Agent Metaheuristics // 2019 International Russian Automation Conference (RusAutoCon). IEEE, 2019. Р. 1 – 6.
Яндекс.Метрика

© НовоЦНИТ ЮРГПУ(НПИ), 2024