Уважаемые коллеги, доброго времени суток! Мы начинаем обзор изданий в области Теоретические компьютерные науки. Сегодня хотим представить вашему вниманию немецкое научное издание Mathematical Programming Computation. Журнал имеет первый квартиль, издаётся в Springer Verlag, его SJR за 2021 г. равен 3,172, пятилетний импакт-фактор 6,284, печатный ISSN - 1867-2949, электронный - 1867-2957, предметные области - Теоретические компьютерные науки, Исследование операций и методы управления, Компьютерные науки, Программное обеспечение. Вот так выглядит обложка:
Редактором является Джонатан Экштейн, контактные данные - jeckstei@business.rutgers.edu.
Дополнительные публикационные контакты - vasanthi.ravi@springernature.com, journalpermissions@springernature.com, razia.amzad@springer.com.
К публикации принимаются оригинальные исследовательские статьи, продвигающие современное состояние практических вычислений в области математической оптимизации и тесно связанных областях. Авторы обязаны предоставлять исходный код программного обеспечения и данные вместе со своими рукописями (хотя программное обеспечение с открытым исходным кодом поощряется, это не обязательно). Там, где это применимо, процесс проверки будет направлен на проверку сообщенных результатов вычислений. Темы статей включают:
• Новые алгоритмические методы с существенным вычислительным тестированием;
• Новые приложения с существенным вычислительным тестированием;
• Инновационное программное обеспечение;
• Сравнительные тесты алгоритмов;
• Среды моделирования;
• Библиотеки проблемных экземпляров;
• Программные фреймворки или библиотеки.
Адрес издания - https://www.springer.com/journal/12532
Пример статьи, название - A memetic procedure for global multi-objective optimization. Заголовок (Abstract) - In this paper we consider multi-objective optimization problems over a box. Several computational approaches to solve these problems have been proposed in the literature, that broadly fall into two main classes: evolutionary methods, which are usually very good at exploring the feasible region and retrieving good solutions even in the nonconvex case, and descent methods, which excel in efficiently approximating good quality solutions. In this paper, first we confirm, through numerical experiments, the advantages and disadvantages of these approaches. Then we propose a new method which combines the good features of both. The resulting algorithm, which we call Non-dominated Sorting Memetic Algorithm, besides enjoying interesting theoretical properties, excels in all of the numerical tests we performed on several, widely employed, test functions. Keywords: Multi-objective optimization; Memetic algorithm; NSGA-II; Descent method; Pareto front approximation
