Self-Adaptive Heuristics for Evolutionary Computation

الگوریتم‌های تکاملی، فراابتکاری با الهام از بیولوژیکی موفق هستند. موفقیت آنها به تنظیمات پارامترهای کافی بستگی دارد. این سوال مطرح می شود: چگونه الگوریتم های تکاملی می توانند پارامترها را به طور خودکار در طول بهینه سازی یاد بگیرند؟ استراتژی های تکامل ده ها سال پیش پاسخی دادند: خود سازگاری. کنترل جهش خودسازگارانه آنها بسیار موفق بود. اما با این وجود، خودسازگاری توجهی را که شایسته آن است به دست نیاورده است.

این کتاب انواع مختلفی از پارامترهای خودسازگاری را برای محاسبات تکاملی معرفی می‌کند. جهش مغرضانه برای استراتژی های تکامل برای فضاهای جستجوی محدود مفید است. جهش وارونگی خود تطبیقی ​​جستجو در مسائل ترکیبی شبیه TSP را تسریع می کند. پس از تجزیه و تحلیل عملگرهای متقاطع خود تطبیقی، کتاب بر روی همگرایی زودرس کنترل جهش خود تطبیقی ​​در مرز محدودیت تمرکز می کند. علاوه بر آزمایش‌های گسترده، آزمون‌های آماری و برخی بررسی‌های نظری، تحلیل مفاهیم پیشنهادی را غنی می‌کنند.

Evolutionary algorithms are successful biologically inspired meta-heuristics. Their success depends on adequate parameter settings. The question arises: how can evolutionary algorithms learn parameters automatically during the optimization? Evolution strategies gave an answer decades ago: self-adaptation. Their self-adaptive mutation control turned out to be exceptionally successful. But nevertheless self-adaptation has not achieved the attention it deserves.

This book introduces various types of self-adaptive parameters for evolutionary computation. Biased mutation for evolution strategies is useful for constrained search spaces. Self-adaptive inversion mutation accelerates the search on combinatorial TSP-like problems. After the analysis of self-adaptive crossover operators the book concentrates on premature convergence of self-adaptive mutation control at the constraint boundary. Besides extensive experiments, statistical tests and some theoretical investigations enrich the analysis of the proposed concepts.