EUVIMEDEUVIMED entdecken
Crossref

Модифицированный подход к управлению параметрами генетического алгоритма на основе глубокого обучения с подкреплением

К.С. Привалов

Информационные и математические технологии в науке и управлении · 05.06.2026 · (2(42)) · 29-41

DOI: 10.25729/esi.2026.42.2.003 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Информационные и математические технологии в науке и управлении, erschienen am 05.06.2026. Verfasst von К.С. Привалов.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Актуальность исследования обусловлена тем, что эффективность классических генетических алгоритмов (ГА) при решении задач глобальной оптимизации существенно зависит от выбора вероятностей кроссовера и мутации, а фиксированные значения параметров нередко приводят к преждевременной сходимости и стабилизации популяции в окрестности локальных экстремумов. Цель работы – разработать и экспериментально оценить подходы к адаптивному управлению параметрами ГА на основе искусственных нейронных сетей и обучения с подкреплением. В рамках единой математической постановки определены признаки состояния популяции, множество действий (дискретные изменения вероятностей мутации и кроссовера и ) и функция вознаграждения, отражающая улучшение качества решения между поколениями с учетом штрафа за чрезмерно высокую мутацию. Рассмотрены четыре варианта алгоритма: классический ГА с фиксированными параметрами, гибридный ГА с нейросетевым регулятором (GA+NN), ГА с табличным Q-learning (GA+RL) и предлагаемый метод управления параметрами на основе глубокого Q-обучения, использующий нейронную сеть для аппроксимации Q-функции (GA+DQN). Научная новизна работы состоит в интеграции DQN-агента в контур параметрического управления ГА в рамках формализованной модели «состояние–действие–награда» и в сопоставлении его эффективности с нейросетевым регулятором и табличным Q-обучением на задачах непрерывной оптимизации. Численные эксперименты выполнены на тестовых функциях Растригина и Шаффера при 20 независимых прогонах для каждой конфигурации. В качестве итоговых метрик использовались лучшее значение целевой функции в последнем поколении и наилучшее значение, достигнутое за весь прогон. Показано, что GA+RL обеспечивает наибольшее улучшение качества решений. Метод GA+DQN демонстрирует умеренное улучшение относительно базового ГА, подтверждая работоспособность глубокой аппроксимации Q-функции при управлении параметрами. Нейросетевой регулятор в рассмотренной схеме обучения показывает высокую чувствительность к настройкам и в данных экспериментах уступает RL-подходам. Результаты сравнения представлены в виде графиков сходимости, анализа показателей разнообразия популяции и сводной таблицы. The relevance of this study is determined by the fact that the efficiency of classical genetic algorithms (GAs) in solving global optimization problems significantly depends on the choice of crossover and mutation probabilities, while fixed parameter values often lead to premature convergence and stabilization of the population in the vicinity of local extrema. The aim of this work is to develop and experimentally evaluate approaches to adaptive control of GA parameters based on artificial neural networks and reinforcement learning. Within a unified mathematical formulation, population state features, a set of actions represented by discrete changes in mutation and crossover probabilities and , and a reward function reflecting the improvement in solution quality between generations with a penalty for excessively high mutation are defined. Four algorithmic variants are considered: a classical GA with fixed parameters, a hybrid GA with a neural-network controller (GA+NN), a GA with tabular Q-learning (GA+RL), and the proposed parameter control method based on deep Q-learning, which uses a neural network to approximate the Q-function (GA+DQN). The scientific novelty of the study lies in the integration of a DQN agent into the GA parameter control loop within a formalized “state–action–reward” model and in comparing its efficiency with that of a neural-network controller and tabular Q-learning on continuous optimization problems. Numerical experiments were carried out on the Rastrigin and Schaffer test functions with 20 independent runs for each configuration. The final metrics used were the best objective function value in the last generation and the best value achieved over the entire run. It is shown that GA+RL provides the greatest improvement in solution quality. The GA+DQN method demonstrates a moderate improvement over the baseline GA, confirming the applicability of deep Q-function approximation to parameter control. The neural-network controller in the considered training scheme shows high sensitivity to parameter settings and, in these experiments, performs worse than the reinforcement learning approaches. The comparison results are presented in the form of convergence plots, an analysis of population diversity indicators, and a summary table.

Zitieren

APA

Привалов, К. (2026). Модифицированный подход к управлению параметрами генетического алгоритма на основе глубокого обучения с подкреплением. Информационные и математические технологии в науке и управлении, 29-41. https://doi.org/10.25729/esi.2026.42.2.003

Vancouver

Привалов К. Модифицированный подход к управлению параметрами генетического алгоритма на основе глубокого обучения с подкреплением. Информационные и математические технологии в науке и управлении. 2026:29-41. doi:10.25729/esi.2026.42.2.003

BibTeX
@article{2026,
  author = {Привалов, К.С.},
  title = {Модифицированный подход к управлению параметрами генетического алгоритма на основе глубокого обучения с подкреплением},
  journal = {Информационные и математические технологии в науке и управлении},
  year = {2026},
  number = {2(42)},
  pages = {29--41},
  doi = {10.25729/esi.2026.42.2.003}
}
Kostenlos starten →