การเพิ่มความสามารถในการค้นหาพื้นที่ใกล้เคียงของ เจเนติค อัลกอริทึม โดยใช้เทคนิค พาติเคิล สวอม ออปติไมเซชั่น

Abstract

การในบทความฉบับนี้ ผู้วิจัยได้ประยุกต์ใช้วิธีการทาง วิวัฒนาการแบบผสมระหว่าง เจเนติด อัลกอริธึม (Genetic Algorithms, GAs) ร่วมกับวิธีการพาติเคิล สวอม ออปติไมเซชั่น (Particle Swarm Optimization, PSO) โดยใช้ชื่อเรียกวิธีการ แบบผสมนี้ว่า Swarm Genetic Algorithms (SGA) วิธีการนี้ ได้รวมเอาข้อดีของ GAs เข้ากับ PSO เพื่อทำการลดโอกาส การคัดทิ้งประชากรที่มีโอกาสเข้าสู่คำตอบที่ดีขึ้นก่อนเวลา อันควรรวมทั้งใช้อนุภาคของสวอมเพื่อให้สามารถเข้าถึง โล คอล ออพติมา (local optima) ได้เร็วขึ้นกว่า GAs แบบเดิม โดย SGA จะถูกนำไปประยุกต์ใช้ในปัญหาการเลือกโปรโตไทป์ ประสิทธิภาพของ SGA จะนำไปเปรียบเทียบผลลัพธ์กับ GAs ในปัญหาข้างต้นโดยทำการเทียบผลที่ได้ในหลายๆเซต ทดลอง ซึ่งผลการทดลองแสดงให้เห็นว่า SGA สามารถค้นหา คำตอบได้เร็วและดีกว่า GAs แบบเดิม

Improve Neighbor Search Ability of Genetic Algorithms Using Particle Swarm Optimization Technique

Auttanit Wongjak, Kritawan Siriboon and Boontee Kruatrachue

A new evolutionary learning method based on a hybrid of genetic algorithms (GAs) and particle swarm optimization (PSO) is proposed in this paper, The proposed algorithms is called Swarm Genetic Algorithms (SGA). SGA combining the strengths of GAs with local neighbor search ability of PSO. PSO enhances GAs in the deselection of immature population and faster local optima search. SGA is applied to the minimal consistent prototype subset identification (MCSI) problem. The performance of SGA is compared to GAs in several MCSI test sets to demonstrate its improvement. The result shows that SGA can find answers faster and better than conventional GAs.