ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКОГО АЛГОРИТМА ДЛЯ ОПТИМИЗАЦИИ ДВУМЕРНЫХ МАССИВОВ С ИСПОЛЬЗОВАНИЕМ БИБЛИОТЕКИ NUMPY В PYTHON

Резюме: В работе реализован генетический алгоритм для оптимизации двумерных массивов с использованием библиотеки NumPy для Python. Проанализированы основные этапы работы генетического алгоритма, включая селекцию, кроссовер и мутацию. Исследовано влияние различных параметров алгоритма на его эффективность и скорость сходимости. Выявлено, что использование NumPy значительно ускоряет вычислительные процессы за счет векторизации операций. Определено, что оптимальные настройки параметров алгоритма обеспечивают наилучшие результаты при тестировании на различных задачах. Установлено, что разработанный алгоритм демонстрирует высокую производительность и гибкость в применении. Сформирована структура кода, позволяющая легко модифицировать алгоритм под различные задачи. Предложены рекомендации по дальнейшему улучшению алгоритма и его адаптации к более сложным сценариям.

Ключевые слова: Генетический алгоритм, мутация, решение популяционных задач, двумерные массивы, python.

S.N. Masaev, A.R. Ilgov

APPLYING A GENETIC ALGORITHM TO OPTIMIZE TWO-DIMENSIONAL ARRAYS USING THE NUMPY LIBRARY IN PYTHON

Summary: The paper implements a genetic algorithm for optimizing two-dimensional arrays using the NumPy library for Python. The main stages of the genetic algorithm, including selection, crossover, and mutation, are analyzed. The influence of various algorithm parameters on its efficiency and convergence rate is studied. It is revealed that the use of NumPy significantly accelerates computational processes due to the vectorization of operations. It is determined that the optimal settings of the algorithm parameters provide the best results when testing on various tasks. It is established that the developed algorithm demonstrates high performance and flexibility in application. The code structure is formed, allowing easy modification of the algorithm for various tasks. Recommendations for further improvement of the algorithm and its adaptation to more complex scenarios are proposed.

Keywords: Genetic algorithm, mutation, population problem solving, two-dimensional arrays, python.

DOI: 10.34219/2078-8320-2025-16-2-27-32