Метаевристичний метод еволюційної оптимізації з використанням імунних підходів

Abstract

The article examines a metaheuristic method of evolutionary optimization based on the operating principles of artificial immune systems and aimed at solving constrained multi-criteria optimization problems. It is shown that contemporary optimization tasks are characterized by a high-dimensional search space, numerous local extrema, and the need to reconcile multiple criteria, which complicates the use of classical optimization techniques. The rationale for employing nature-inspired approaches — particularly evolutionary methods grounded in artificial immune system algorithms — is provided. These methods enable adaptive global search through mechanisms of cloning, mutation and ion. An evolutionary optimization approach based on the artificial immune system algorithm is proposed, with its operators and algorithmic framework formally defined. To evaluate the method’s effectiveness, computational experiments were conducted on benchmark problems using both binary and real-valued encodings. In the XdivK problem with binary encoding, the artificial immune system algorithm demonstrated a higher convergence rate than the genetic algorithm, attributable to its intensive local search within promising solution regions. In the optimisation of a bi-modal function with real-valued encoding, the artificial immune system algorithm consistently achieved the global optimum without becoming trapped in local maxima. It was established that, for small population sizes, the artificial immune system algorithm ensures faster convergence, as the genetic algorithm exhibits better scalability. The results confirm the effectiveness of the proposed approach for solving complex optimisation problems and highlight the potential for further development of immune-based methods within intelligent computational systems.

Розглянуто еволюційний підхід метаевристичної оптимізації, побудований на принципах функціонування штучних імунних систем та орієнтований на розв’язання багатокритеріальних задач оптимізації. Показано, що сучасні оптимізаційні задачі характеризуються високою розмірністю пошукового простору, наявністю численних локальних екстремумів і необхідністю узгодження кількох критеріїв, що ускладнює застосування класичних методів. Обґрунтовано доцільність використання природозумовлених підходів, зокрема еволюційних методів на базі алгоритму штучних імунних систем, які забезпечують адаптивний глобальний пошук завдяки механізмам клонування, мутації, селекції. Запропоновано еволюційний підхід до оптимізації на основі алгоритму штучних імунних систем, формалізовано його оператори та алгоритмічну схему. Для оцінювання ефективності методу проведено обчислювальні дослідження на модельних задачах з бінарним і дійсним кодуванням рішень. Зокрема, у задачі XdivK для бінарного кодування рішень встановлено, що алгоритм штучних імунних систем демонструє підвищену швидкість збіжності порівняно з генетичним алгоритмом, що зумовлено інтенсивним локальним пошуком у зоні перспективних рішень. В задачі оптимізації двоекстремальної функції для кодування рішень у формі дійсних чисел встановлено здатність алгоритму штучних імунних систем стабільно досягати глобального екстремуму без «залипання» в локальних максимумах. Визначено, що для невеликих популяцій алгоритм штучних імунних систем забезпечує вищу швидкість збіжності, тоді як генетичний алгоритм характеризується кращою масштабованістю. Результати дослідження підтверджують ефективність запропонованого підходу для розв’язання складних оптимізаційних задач та демонструють перспективність подальшого розвитку імунних методів у структурі інтелектуальних обчислювальних систем.