Cкладні пакети моделювання транспорту частинок можна оптимізувати за допомогою генетичних алгоритмів, що надає змогу застосовувати для таких задач підходи статистичного навчання та методи оптимізації декількох цільових функцій. Поєднання генетичного алгоритму та неконтрольованого машинного навчання значно підвищує збіжність алгоритму до істинного парето-фронту. У межах багатофакторного аналізу запропоновано додатковий оператор, який може бути застосований для задач оптимізації багатоцільових функцій, що потребують великого обсягу ресурсів та часу, зокрема для пришвидшення збіжності задачі оптимізації "чорного ящика". Отримані результати показують, що запропонований підхід можна використовувати для генетичного алгоритму будь-якого типу, а додатковий оператор розглядати як окремий генетичний оператор.

 Наукова періодика України 

---

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"