@misc{Vardumyan_A._V._An,
 author={Vardumyan, A. V.},
 address={Երևան},
 howpublished={online},
 publisher={«Պոլիտեխնիկ» տպ.},
 abstract={It is widely recognized that convergence capabilities of metaheuristic optimization algorithms can be enhanced by properly chosen initial population. Most of the state-of-theart initialization techniques are suffering from numerous shortcomings, that ultimately make them non-viable or not efficient enough. To overcome this, this paper proposes a new algorithm for population initialization, which adopts the approach of dividing the search space into nested cubes and picking edge-points for sampling. Based on the data obtained after testing the method on 8 complex benchmark functions against other popular initialization strategies in the scope of WOA algorithm, the proposed approach outperformed all of the candidates in finding the global optimum. Ընդունված է, որ մետահևրիստիկական օպտիմացիոն ալգորիթմների զուգամիտման կարողությունները կարելի է բարելավել պատշաճ կերպով ընտրված առաջնային պոպուլյացիայով։ Ժամանակակից սկզբնարժեքավորման տեխնիկաների մեծ մասն ունի մի շարք թերություններ, որոնք ոչ կենսունակ կամ ոչ արդյունավետ են դարձնում դրանք։ Այդ թերությունների հաղթահարման համար առաջարկվում է պոպուլյացիայի սկզբնարժեքավորման նոր ալգորիթմ, որի դեպքում կիրառվում են որոնման տարածքի ներդրված խորանարդների բաժանման մոտեցումը և ծայրամասային կետերի ընտրումը նմուշառման համար։ Հիմնվելով առաջարկվող մեթոդի՝ հանրաճանաչ այլ սկզբնարժեքավորման ստրատեգիաների հետ համատեղ 8 բարդ հենանիշ ֆունկցիաներով, Կետ Օպտիմիզացիոն Ալգորիթմի (ԿՕԱ) շրջանակներում թեստավորման արդյունքում ստացված տվյալների վրա, գլոբալ օպտիմումը գտնելու խնդրում առաջարկվող մոտեցումը կատարողականությամբ գերազանցել է բոլոր դիտարկվող մեթոդներին։ Принято, что возможности сходимости метаэвристических оптимизационных алгоритмов могут быть улучшены правильно выбранной начальной популяцией. Большинство современных методов инициализации страдают многочисленными недостатками, которые в конечном итоге делают их нежизнеспособными или недостаточно эффективными. С этой целью предлагается новый алгоритм инициализации популяции, в котором используется подход разделения пространства поиска на вложенные кубы и подбор граничных точек для выборки. Основываясь на данных, полученных после тестирования метода на восьми сложных эталонных функциях, в сравнении с другими популярными стратегиями инициализации, в рамках Кит-Оптимизационного Алгоритма (КОА) предложенный подход превзошел всех кандидатов в поиске глобального оптимума.},
 title={An Efficient Primary Population Initialization Method for Metaheuristic Algorithms},
 type={Հոդված},
 keywords={Microelectronics},
}