Porušování Limitů Argumentů v Evolučních Algoritmech

Abstract

V posledních desetiletích se evoluční algoritmy (EA) staly populárními a uznávanými pro svou robustnost a efektivitu v řešení rozmanitých optimalizačních problémů. S narůstajícími výzvami v oblasti umělé inteligence (AI), zejména v kontextu aplikací strojového učení, dochází k nové vlně výzkumu EA. Klíčové aspekty pro další generaci těchto algoritmů zahrnují teoretické základy, analýzy běhu, správné benchmarkovací postupy a detailní zvládání kritických situací, což jsou základní stavební kameny pro dosahování nových úspěchů v AI. Jednou z klíčových výzev je i zvládnutí limitů parametrů optimalizované úlohy, které definují prostor přípustných řešení. I když se dostupné publikace, zabývající se metodami zabraňujících překročení těchto limitů, postupně zlepšují a jejich počet roste, stále je to mnohdy opomíjené téma, které má významný dopad na efektivitu evolučních algoritmů (EA). Tato dizertační práce se zaměřuje na vliv různých protiopatření na výkon evolučních algoritmů (EA). Výzkum začal analýzou základních variant EA, jako jsou PSO (Particle Swarm Optimization), FA (Firefly Algorithm) a SOMA (Self-Organizing Migrating Algorithm). Pozornost se poté přesunula na pokročilejší algoritmy (state-of-the-art), vybrané na základě benchmarkových sad. Studie identifikovala, že integrace účinných protiopatření do návrhu algoritmů může významně ovlivnit jejich pozici v benchmarkových testech. Závěry práce poukazují na významnou problematiku v replikovatelnosti algoritmů, způsobenou nekompletními popisy v publikacích. Tato situace naznačuje potřebu zlepšení v procesu návrhu algoritmů, aby se zvýšila jejich ověřitelnost a udržitelnost.