Анализ литературы. 
Генетический алгоритм с оценкой временных рядов

Для привнесения в ГА способности к настройке собственной структуры и/или параметров разработаны так называемые адаптивные алгоритмы. К ним можно отнести: адаптивное изменение параметров скрещивания, адаптивное изменение размера популяции, а также введение нечеткости в блок управления ГА. Рассмотрим эти решения подробно.

Уменьшать мутацию в зависимости от времени работы генетического алгоритма впервые предложил еще Холланд[1]. Дальнейшее развитие эта идея получила в [2] и [3]. В последней работе предложен способ экспоненциально изменять вероятность мутации с течением времени. В [3] также предложено повышать вероятность мутации, если потомок имеет расстояние по Хэммингу меньшее, чем минимальное расстояние в популяции.

Другой способ динамически изменять область поиска решения заключается в модификации оператора кроссинговера. Так, в работе [4] делается вывод о высоких качествах BLXкроссинговера, который за счет случайных вариаций позволяет расширить исследуемое пространство решений. Однако такой кроссинговер с большей вероятностью разрушает устоявшиеся сочетания генов (схемы) [5].

Расширением приведенного выше подхода можно назвать предложенную Спирсом в работе [6] методику динамически менять тип кроссинговера. Таким образом, если в начале жизни популяции имеет смысл с достаточно большой вероятностью разрушать схемы, то по мере нахождения глобального оптимума устойчивость схем следует динамически повышать. Как страховка от попадания в локальные оптимумы возможно также динамически уменьшать устойчивость геномных схем по мере стабилизации приспособленности лучшего представителя популяции. Там же предложен и другой подход — тип оператора кроссинговера заносится в специальный битовый ген и добавляется к основному генному набору каждого представителя популяции.

Другой подход к изменению как параметров скрещивания, так и вероятности и величины мутации, основан на исследовании естественного мутационного процесса в природе. В работе [7] было замечено, что как расположение точек кроссинговера, так и вероятность мутации, случайными назвать нельзя. Зависимость наблюдается в связи с расположением гена в хромосоме. Таким образом, в хромосоме можно выделить более и менее подверженные изменениям генные зоны. Попадание в так называемые «холодные» зоны может полностью исключить изменение гена в поколении. В ГА подобная методика использована в работе [2].

Следующим классом методик по повышению способностей ГА к адаптации можно назвать те модификации алгоритма, которые оказывают непосредственное влияние на динамическое изменение размера популяции [8], и так называемые нишевые алгоритмы, которые заключаются в разделении пространства решений на области (ниши). Причем эволюционный поиск может проходить как независимо по нишам, так и с обменом их представителей [9].

К типу адаптивных ГА можно отнести и SANUX — статистический алгоритм, предложенный в 2002 году Янгом [10]. Это ГА с бинарным кодированием, основанный на предположении, что в процессе жизни популяции по мере сходимости алгоритма аллели хромосом стремятся к некоторому определенному оптимальному значению (0 или 1). И, следовательно, по статистике истории изменения значения генов можно сделать предположение о направленности отбора. Отдельным направлением в развитии ГА является использование нечетких правил управления динамически изменяемыми параметрами алгоритма. Так, используемая в стандартных ГА линейная зависимость параметров скрещивания заменяется на нечеткую функциональную зависимость. Вид такой зависимости задается с привлечением эксперта. [11].