Анализ эффективности самоконфигурируемого бинарного генетического алгоритма с модифицированным методом динамической коррекции области поиска

В работе представлена модификация самонастраивающегося генетического алгоритма (SelfCGA), направленная на повышение эффективности поиска в задачах глобальной оптимизации. Предложенный подход основан на сочетании динамической коррекции области поиска с кластеризацией фенотипов текущей популяции, что позволяет более точно выявлять и адаптивно исследовать перспективные области пространства решений. Использование кластеризации способствует поддержанию популяционного разнообразия, а также снижает вероятность преждевременной сходимости алгоритма к локальным экстремумам. Для оценки эффективности предложенной модификации были проведены вычислительные эксперименты на стандартном тестовом наборе CEC2017 при размерностях пространства поиска 10, 30 и 50. Каждый из сравниваемых алгоритмов запускался 50 независимых раз, что обеспечило статистическую достоверность результатов. В ходе экспериментов анализировались средние и наилучшие значения функций пригодности, а также динамика сходимости в процессе эволюционного поиска. Полученные результаты показывают, что модифицированный алгоритм SelfCGA с динамической коррекцией области поиска достигает состояния стабилизации, при котором улучшения решений практически прекращаются, за меньшее число поколений для большинства тестовых функций, причем данное преимущество сохраняется при увеличении размерности задачи. Отсутствие необходимости ручной настройки параметров и сохранение базовой структуры SelfCGA делают предложенную модификацию удобной и перспективной для практического применения. This paper presents a modification of the self-configuring genetic algorithm (SelfCGA) aimed at improving search efficiency in global optimization problems. The proposed approach combines dynamic correction of the search domain with phenotype clustering of the population, which makes it possible to identify promising regions of the solution space more effectively. The use of clustering helps maintain population diversity and reduces the risk of premature convergence to local optima. To evaluate the proposed modification, computational experiments were conducted using the CEC2017 benchmark suite with problem dimensions of 10, 30, and 50. Each algorithm was executed 50 independent times, ensuring statistical reliability of the results. The performance was assessed by comparing average and best fitness values, as well as by analyzing the convergence dynamics during the evolutionary process. The experimental results demonstrate that the modified SelfCGA with dynamic correction of the search domain reaches a stabilization state – where further improvements during the evolutionary search become negligible – in fewer generations for most benchmark functions. This advantage remains evident even as the dimensionality of the search space increases. The proposed modification does not require manual parameter tuning and does not increase the structural complexity of the base SelfCGA, which makes it well suited for practical applications.