АНАЛІЗ ВПЛИВУ ПАРАМЕТРІВ ГЕНЕТИЧНОГО АЛГОРИТМУ НА ЕФЕКТИВНІСТЬ РОЗВ’ЯЗАННЯ ЗАДАЧ РОЗПОДІЛУ ОБМЕЖЕНИХ РЕСУРСІВ У СЦЕНАРНИХ ЕКОНОМІЧНИХ УМОВАХ
Анотація
У статті представлено комплексне дослідження впливу параметрів генетичного алгоритму на ефективність його застосування для розв’язання задач розподілу обмежених ресурсів у сценарно-орієнтованих економічних умовах. Розглянуто дискретну оптимізаційну модель, у якій рішення формуються з урахуванням бюджетних, логічних та сценарних обмежень, а функції прибутковості змінюються залежно від можливих станів економічного середовища. Основна мета дослідження полягає у виявленні закономірностей впливу окремих параметрів генетичного алгоритму на динаміку його збіжності, баланс між дослідженням простору рішень і локальним удосконаленням, а також на стабільність та якість отриманих результатів. Методологія роботи ґрунтується на використанні еволюційних принципів оптимізації, коли популяція закодованих рішень еволюціонує під дією механізмів відбору, кросовера, мутації та елітизму. Для оцінювання чутливості алгоритму проведено серію експериментів, у межах яких систематично варіювалися такі основні параметри, як розмір популяції, імовірність кросовера, імовірність мутації, частка еліти та спосіб обробки обмежень (штрафний або відновлювальний). Отримані результати засвідчили, що ключовими чинниками ефективності є імовірність мутації та обраний механізм обробки обмежень, які визначають здатність алгоритму зберігати різноманіття популяції та уникати передчасної конвергенції. Встановлено, що помірний розмір популяції забезпечує оптимальне співвідношення між якістю пошуку та обчислювальними витратами, а низький рівень елітизму сприяє підтриманню еволюційної динаміки. Аналіз також показав, що вплив параметрів має взаємозалежний і нелінійний характер. Практичне значення дослідження полягає у формуванні рекомендацій щодо вибору параметрів генетичного алгоритму для задач стратегічного планування та розподілу ресурсів у багатосценарних умовах невизначеності. Визначені параметричні закономірності можуть бути використані для підвищення ефективності систем підтримки управлінських рішень, орієнтованих на економічне прогнозування та оптимізацію інвестиційних стратегій.
Посилання
Shelekhov I. V., Dziuba O. O. (2009) Doslidzhennia vplyvu parametriv hibrydnoho alhorytmu na funktsionalnu efektyvnist navchannia systemy pidtrymky pryiniattia rishen [Study of the influence of hybrid algorithm parameters on the functional efficiency of decision support system training]. Radioelektronni i komp’iuterni systemy [Radioelectronic and Computer Systems], no. 3, P. 88–91. Available at: http://nbuv.gov.ua/UJRN/recs_2009_3_18 (in Ukrainian).
Bazhan S. (2023) Vykorystannia henetychnykh alhorytmiv iz zastosuvanniam vypadkovykh protsesiv pry rozviazuvanni zadach optymizatsii [Use of genetic algorithms with random processes for solving optimization problems]. Grail of Science, no. 33, P. 253–261. Available at: https://doi.org/10.36074/grail-of-science.10.11.2023.40 (date of access: 31.10.2025).
Two-Archive evolutionary algorithm for constrained multiobjective optimization / K. Li et al. IEEE transactions on evolutionary computation. 2019. Vol. 23, no. 2. P. 303–315. URL: https://doi.org/10.1109/tevc.2018.2855411 (date of access: 31.10.2025).
Composite differential evolution for constrained evolutionary optimization / B.-C. Wang et al. IEEE transactions on systems, man, and cybernetics: systems. 2019. Vol. 49, no. 7. P. 1482–1495. URL: https://doi.org/10.1109/tsmc.2018.2807785 (date of access: 31.10.2025).
Configuring two-algorithm-based evolutionary approach for solving dynamic economic dispatch problems / F. Zaman et al. Engineering applications of artificial intelligence. 2016. Vol. 53. P. 105–125. URL: https://doi.org/10.1016/j.engappai.2016.04.001 (date of access: 31.10.2025).
Kharchenko V. V., Kurdenko O. V. (2025) Zastosuvannia evrystychnykh metodiv optymizatsii dlia rozviazannia zadach rozpodilu resursiv v umovakh nevyznachenosti [Application of heuristic optimization methods for solving resource allocation problems under uncertainty]. Sotsialno-ekonomichnyi stan v umovakh voiennoho chasu: Materialy II Mizhnarodnoi naukovo-praktychnoi konferentsii, Sumy, May 31, 2025. Sumy, P. 46–49. Available at: https://doi.org/10.64076/eecsr250531 (in Ukrainian).
Balancing objective optimization and constraint satisfaction in constrained evolutionary multiobjective optimization / Y. Tian et al. IEEE transactions on cybernetics. 2021. P. 1–14. URL: https://doi.org/10.1109/tcyb.2020.3021138 (date of access: 31.10.2025).
A dual-population algorithm based on alternative evolution and degeneration for solving constrained multi-objective optimization problems / J. Zou et al. Information sciences. 2021. Vol. 579. P. 89–102. URL: https://doi.org/10.1016/j.ins.2021.07.078 (date of access: 31.10.2025).
Vladyslav Kharchenko. Listing of a MATLAB program to study the influence of genetic algorithm parameters. Zenodo. URL: https://doi.org/10.5281/zenodo.17488972 (date of access: 31.10.2025).
Шелехов І. В., Дзюба О. О. Дослідження впливу параметрів гібридного алгоритму на функціональну ефективність навчання системи підтримки прийняття рішень. Радіоелектронні і комп’ютерні системи. 2009. № 3. С. 88–91. URL: http://nbuv.gov.ua/UJRN/recs_2009_3_18.
Бажан С. Використання генетичних алгоритмів із застосуванням випадкових процесів при розв’язуванні задач оптимізації. Grail of science. 2023. № 33. С. 253–261. URL: https://doi.org/10.36074/grail-of-science.10.11.2023.40 (дата звернення: 31.10.2025).
Two-Archive evolutionary algorithm for constrained multiobjective optimization / K. Li та ін. IEEE transactions on evolutionary computation. 2019. Т. 23, № 2. С. 303–315. URL: https://doi.org/10.1109/tevc.2018.2855411 (дата звернення: 31.10.2025).
Composite differential evolution for constrained evolutionary optimization / B.-C. Wang та ін. IEEE transactions on systems, man, and cybernetics: systems. 2019. Т. 49, № 7. С. 1482–1495. URL: https://doi.org/10.1109/tsmc.2018.2807785 (дата звернення: 31.10.2025).
Configuring two-algorithm-based evolutionary approach for solving dynamic economic dispatch problems / F. Zaman та ін. Engineering applications of artificial intelligence. 2016. Т. 53. С. 105–125. URL: https://doi.org/10.1016/j.engappai.2016.04.001 (дата звернення: 31.10.2025).
Харченко В. В., Курденко О. В. Застосування евристичних методів оптимізації для розв’язання задач розподілу ресурсів в умовах невизначеності. Соціально-економічний стан в умовах воєнного часу : Матеріали II Міжнар. науково-практ. конф., м. Суми, 31 трав. 2025 р. Суми, 2025. С. 46–49. URL: https://doi.org/10.64076/eecsr250531.
Balancing objective optimization and constraint satisfaction in constrained evolutionary multiobjective optimization / Y. Tian та ін. IEEE transactions on cybernetics. 2021. С. 1–14. URL: https://doi.org/10.1109/tcyb.2020.3021138 (дата звернення: 31.10.2025).
A dual-population algorithm based on alternative evolution and degeneration for solving constrained multi-objective optimization problems / J. Zou та ін. Information sciences. 2021. Т. 579. С. 89–102. URL: https://doi.org/10.1016/j.ins.2021.07.078 (дата звернення: 31.10.2025).
Vladyslav Kharchenko. Listing of a MATLAB program to study the influence of genetic algorithm parameters. Zenodo. URL: https://doi.org/10.5281/zenodo.17488972 (дата звернення: 31.10.2025).
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
