Метод багатокритеріальної оптимізації ансамблів складних сигналів на основі еволюційного алгоритму E-LPT-MOEA/D
DOI:
https://doi.org/10.31861/sisiot2025.2.02014Ключові слова:
телекомунікаційні системи, оптимізація, еволюційний підхід, ансамблі складних сигналів, SNRАнотація
У статті запропоновано метод багатокритеріальної оптимізації ансамблів складних сигналів на основі еволюційного алгоритму E-LPT-MOEA/D, який поєднує логарифмічні часові перестановки (LPT) із принципом декомпозиції завдань у середовищі багатокритеріальної еволюційної оптимізації. На відміну від відомих підходів, метод передбачає адаптивну взаємодію між робочою популяцією та зовнішнім архівом Парето, що забезпечує узгоджене оновлення множини рішень і стабільність збіжності в умовах стохастичних збурень. Розроблено модифікований генетичний алгоритм, у якому реалізовано ентропійно зважене оновлення вагових коефіцієнтів, гнучку делегацію підзадач і динамічне керування мутаціями. Така інтеграція дозволяє підтримувати рівновагу між процесами дослідження і використання (exploration–exploitation), уникати передчасної збіжності та зберігати різноманітність ансамблів сигналів. У математичній моделі сформовано цільові функції, що відображають середній коефіцієнт взаємної кореляції, рівень бічних пелюсток, варіацію енергетичного розподілу та міру структурної узгодженості. Для оцінювання якості оптимізації використано показники гіпероб’єму (IH), зворотного середнього поколіннєвого відхилення (IGD) та відхилення кореляції (Δρ). Експериментальне моделювання проведено в нормалізованому та абсолютному режимах для різних співвідношень сигнал/шум (10 – 25 дБ) і параметрів часової сегментації (τ = 0.3 – 1.0). Отримані результати засвідчили переваги запропонованого методу: збільшення швидкості збіжності на 20 – 30 %, підвищення стабільності на 15 – 25 %, а також зменшення амплітуди коливань різниці гіпероб’єму (ΔH) між архівом і популяцією на 30 – 40 %. Доведено, що інтеграція механізму зовнішнього архіву з внутрішньою часовою перестановкою сигналів забезпечує більш рівномірне покриття фронту Парето та підвищує структурну збалансованість ансамблів. У результаті алгоритм E-LPT-MOEA/D забезпечує швидку адаптацію до змінних умов оптимізації, стійкість до завад і масштабованість при зростанні розмірності задачі. Запропонований метод може бути використаний для оптимізації процесів формування та обробки сигналів у когнітивних телекомунікаційних середовищах, зокрема при побудові систем динамічного спектрального моніторингу, розподілених мереж зв’язку та енергоефективних протоколів передавання даних.
Завантажити
Посилання
І. Syvolovskyi and Komar О., “A method of multicriteria data stream distribution in telecommunication networks based on an evolutionary approach,” Computer-integrated technologies: education, science, production, Lutsk National Technical University, Lutsk, 2025, no. 59, pp. 230–239, 2025. https://doi.org/10.36910/6775-2524-0560-2025-59-41.
X. Cai, Q. Zhang, and Z. Fan, “An External Archive Guided Multiobjective Evolutionary Algorithm Based on Decomposition,” IEEE Transactions on Evolutionary Computation, vol. 19, no. 6, pp. 717–731, 2015, DOI:10.1109/TEVC.2014.2350995.
H. Song, Y. Liu, J. Chen, J. Wang, and L. Shen, “Evolutionary Ensemble Learning for Multivariate Time-Series,” IEEE Transactions on Systems, Man, and Cybernetics: Systems, vol. 51, no. 12, pp. 7373–7385, 2021. https://arxiv.org/pdf/2108.09659.
O. Veklych and O. Drobyk, “Justification of the Efficiency of Time Segment Permutation in a Multilevel Optimization Method for Signal Ensembles,” Computer-Integrated Technologies and Automation, no. 4(52), pp. 88–95, 2025. https://doi.org/10.36910/6775-2524-0560-2025-59-38.
V. P. Lysechko, D. O. Kulagin, S. V. Indyk, O. S. Zhuchenko, and I. V. Kovtun, “The study of the cross-correlation properties of complex signals ensembles obtained by filtered frequency elements permutations,” Radio Electronics, Computer Science, Control, no. 2, p. 15, 2022. https://doi.org/10.15588/1607-3274-2022-2-2.
H. Azami, S. Sanei, K. Mohammadi, and H. Hassanpour, “A hybrid evolutionary approach tosegmentation of non-stationary signals,” Digital Signal Processing, vol. 23, no. 4, pp. 1103–1114, July 2013. https://doi.org/10.1016/j.dsp.2013.02.019.
L. Miao, Z. Sun, and Z. Jie, “The Parallel Algorithm Based on Genetic Algorithm for Improving the Performance of Cognitive Radio,” Wireless Communications and Mobile Computing, vol. 2, 2018. https://doi.org/10.1155/2018/5986482.
S. V. Indyk and V. P. Lysechko, “Study of ensemble properties of complex signals obtained by frequency filtering of pseudorandom sequences with low interaction in the time domain,” Collection of scientific works, Kharkiv: HUPS named after I. Kozheduba, issue 4 (66), pp. 46–50, 2020. DOI:10.30748/zhups.2020.66.06.
H. Wang, D. Li, Z. Liu, and J. Zhao, “Harmonic Detection Method Based on Permutation Entropy,” Review of Scientific Instruments, vol. 92, no. 2, 025118, 2021. https://doi.org/10.1063/1.5141923.
Q. Zhang and H. Li, “MOEA/D: A Multiobjective Evolutionary Algorithm Based on Decomposition,” IEEE Transactions on Evolutionary Computation, vol. 11, no. 6, pp. 712–731, 2007. 10.1109/TEVC.2007.892759.
X. Ma, F. Liu, Y. Qi, et al., “A Decomposition-Based Evolutionary Algorithm with Neighborhood Region Domination (MOEA/D-NRD),” Algorithms, vol. 10, no. 1, p. 19, 2025. https://doi.org/10.3390/biomimetics10010019.
Z. Fan, X. Ma, F. Liu, and Y. Qi, “MOEA/D with Angle-based Constrained Dominance Principle (ACDP) for Constrained Multi-objective Optimization Problems,” Information Sciences, vol. 465, pp. 1–22, 2019. https://doi.org/10.1016/j.asoc.2018.10.027.
J. Li, S. Xu, J. Zheng, G. Jiang, and W. Ding, “Research on Multi-Objective Evolutionary Algorithms Based on Large-Scale Decision Variable Analysis,” Applied Sciences, vol. 14, no. 22, p. 10309, 2024. https://doi.org/10.3390/app142210309.
T. Liu, Y. Chen, and X. Wang, “Domain Knowledge-Assisted Multi-Objective Evolutionary Algorithm for EEG-Channel Selection in Brain-Computer Interfaces,” Frontiers in Neuroscience, vol. 17, 1251968, 2023. https://doi.org/10.3389/fnins.2023.1251968.
YA. Baysal, S. Ketenci, I. H. Altas, and T. Kayikcioglu, “Multi-objective symbiotic organism search algorithm for optimal feature selection in brain computer interfaces,” Expert Syst. Appl., vol. 165, 113907, 2021. https://doi.org/10.1016/j.eswa.2020.113907.
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Безпека інфокомунікаційних систем та Інтернету речей
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
