Застосування генетичних алгоритмів до розв’язання задач оптимізації

Abstract

UA : Робота викладена на 61 сторінці друкованого тексту, містить 27 рисунків, 13 джерел, 2 додатки. Мета роботи: дослідження та аналіз сучасного застосування генетичних алгоритмів у задачах оптимізації, впровадження генетичних алгоритмів для оптимізації гіперпараметрів моделі YOLOv8 у задачі виявлення контурів будівель на супутникових зображеннях. Об’єкт дослідження – генетичні алгоритми та моделі глибокого навчання у задачах оптимізації. Предмет дослідження – процес оптимізації гіперпараметрів моделі YOLOv8 із використанням генетичних алгоритмів для підвищення точності виявлення контурів будівель. Метод дослідження – аналіз, моделювання, експеримент. Під час виконання роботи досліджено предметну область – використання генетичних алгоритмів для розв’язання задач оптимізації у складних і багатовимірних просторах рішень. У роботі розроблено інтегрований підхід, що поєднує генетичні алгоритми та сучасні моделі глибокого навчання для розв’язання задачі виявлення контурів будівель. Запропонований підхід дозволив автоматизувати налаштування гіперпараметрів моделі, що забезпечило підвищення середньої точності порівняно з базовими налаштуваннями. Розроблений підхід забезпечує високоточне виявлення контурів будівель і оптимізацію процесу обробки великих обсягів даних.EN : The work is presented on 61 pages of printed text, 27 figures, 13 references, 2 supplements. The object of the study is genetic algorithms and deep learning models in optimization tasks. The aim of the study is to investigate and analyze the modern applications of genetic algorithms in optimization tasks and implement genetic algorithms for hyperparameter optimization of the YOLOv8 model in the task of detecting building contours on satellite images. Research methods: analysis, simulation, experiment. The work investigates the subject area – the use of genetic algorithms for solving optimization problems in complex and multidimensional solution spaces. The study develops an integrated approach that combines genetic algorithms with modern deep learning models to solve the problem of detecting building contours. The proposed approach automates the tuning of model hyperparameters, leading to improved average accuracy compared to baseline settings. The developed approach ensures high-precision detection of building contours and optimizes the process of handling large data volumes.