我々の新しい論文が公開されました。非常に古い内容ですが、ようやくオープンすることができました。
論文の内容の要約です。
- 概要
- 遺伝的アルゴリズム（GA）の並列化は、高計算コストの問題の性能を向上させる手法の一つ。
- 分散遺伝的アルゴリズム（DGA）は、GAを複数のサブポピュレーションに分け、異なる環境での最適化を可能にし、問題解決の柔軟性を高める。
- DEGA（Distributed Environment Genetic Algorithm）を提案し、各サブポピュレーションに異なる設定を適用することで、効率的な最適化が可能。
- DEGAの特徴と実験
- DEGAでは、各サブポピュレーションに異なる遺伝的パラメータ（交叉率や突然変異率）を適用し、個別の進化を促進。
- 複数のパラメータを持つ関数（Rastrigin、Schwefel、Griewank、Rosenbrock関数）を用いてDGAと比較し、DEGAがより良い探索能力を発揮。
- コード方法（バイナリコードとグレイコード）の違いによる実験で、多様性の維持により、DEGAが優れた探索能力を示す。
- 結論
- DEGAは、GAの設定が異なる問題に対して優れた柔軟性を持ち、多様な環境を提供することで、効率的な解の探索が可能。