| Summary: | Genetic algorithms and differential evolution are two well-established types of generic algorithms that can be applied to a great numberof optimization problems. Both are subgroups of evolutionary algorithms that are inspired by nature, with many practical implementations in for instance research and the industry. In this paper the algorithms are applied to the NP-hard longest path problem with the purpose of comparing their perfomances. The basics of the algorithms are provided along with defining their most important components, chromosome, gene, crossover, mutationand selection. All of which are further described in detail how they were implemented for this paper. Additionally a specialized type ofthe differential evolution algorithm is brought up, namely discrete differential evolution, as this version was implemented for this paper. The results show that the differential evolution algorithm performssignificantly better than the genetic algorithm and the possible underlying causes to this are discussed, one major cause being that the differential evolution algorithm is more adapted to the specified problem, longest path problem. The conclusion is that discrete differential evolution perfoms considerably better than a generic genetic algorithmon this particular problem, but no further general assumptions can bemade regarding their perfomance for all or any other types of problems. === Genetiska algoritmer och differential evolution är två väletablerade typer av generiska algoritmer som går att applicera på mängder av olika optimeringsproblem. Båda tillhör gruppen evolutionära algoritmer som är inspirerade av naturen och har många praktiska tillämpningar inom exempelvis forskning och industrin. I denna studie appliceras algoritmerna på det NP-fullständiga längsta stig problemet i syftet att jämföra deras prestanda. En grundläggande beskrivning av algoritmerna ges och dess viktigaste komponenter som kromosom, gen, crossover, mutation och selektion definieras. Sedan beskrivs deras implementationen i närmare detalj för denna studie. Även en specialiserad variant av differentialevolution, discrete differential evolution, tas upp då denna variant implementeras i denna undersökning .Resultaten visar att algoritmen för differential evolution presterarväsentligt bättre än motsvarande genetisk algoritm. En större orsak till detta är att den implementerade varianten av differential evolutionär mer problembaserad än den mer generiska genetiska algoritmen. Slutsatsen som dras är att en variant av discrete differential evolution presterar betydligt bättre än en generisk genetisk algoritm på detta problem, men inget generellt antagande kan göras om algoritmernasprestanda för alla eller andra typer av problem.
|
|---|
