A Brief Introduction to Continuous Evolutionary Optimization

مسائل بهینه‌سازی عملی اغلب به سختی حل می‌شوند، به‌ویژه زمانی که آنها جعبه‌های سیاه هستند و اطلاعات بیشتری در مورد مشکل به جز از طریق ارزیابی عملکرد در دسترس نیست. این کار مجموعه ای از اکتشافی ها و الگوریتم ها را برای بهینه سازی جعبه سیاه با الگوریتم های تکاملی در فضاهای حل پیوسته معرفی می کند. این کتاب مقدمه ای بر استراتژی های تکامل و کنترل پارامترها می دهد. پسوندهای اکتشافی ارائه شده اند که بهینه سازی را در فضاهای راه حل محدود، چندوجهی و چند هدفه امکان پذیر می کند. یک تابع جریمه تطبیقی ​​برای بهینه سازی محدود معرفی شده است. متا مدل‌ها تعداد فراخوانی‌های تابع تناسب و محدودیت را در مسائل بهینه‌سازی گران قیمت کاهش می‌دهند. ترکیبی از استراتژی های تکامل با جستجوی محلی امکان بهینه سازی سریع در فضاهای راه حل با بهینه های محلی بسیار را فراهم می کند. یک عملگر انتخاب بر اساس خطوط مرجع در فضای هدف برای بهینه سازی اهداف متضاد چندگانه معرفی شده است. جستجوی تکاملی برای یادگیری پارامترهای هسته برآوردگر نادارایا-واتسون استفاده می‌شود و یک رویکرد تکراری مبتنی بر ازدحام برای بهینه‌سازی نقاط پنهان در مسائل کاهش ابعاد ارائه شده است. آزمایش‌ها روی مسائل معیار معمولی و همچنین شکل‌ها و نمودارهای متعدد، رفتار مفاهیم و روش‌های معرفی‌شده را نشان می‌دهند.

Practical optimization problems are often hard to solve, in particular when they are black boxes and no further information about the problem is available except via function evaluations. This work introduces a collection of heuristics and algorithms for black box optimization with evolutionary algorithms in continuous solution spaces. The book gives an introduction to evolution strategies and parameter control. Heuristic extensions are presented that allow optimization in constrained, multimodal, and multi-objective solution spaces. An adaptive penalty function is introduced for constrained optimization. Meta-models reduce the number of fitness and constraint function calls in expensive optimization problems. The hybridization of evolution strategies with local search allows fast optimization in solution spaces with many local optima. A selection operator based on reference lines in objective space is introduced to optimize multiple conflictive objectives. Evolutionary search is employed for learning kernel parameters of the Nadaraya-Watson estimator, and a swarm-based iterative approach is presented for optimizing latent points in dimensionality reduction problems. Experiments on typical benchmark problems as well as numerous figures and diagrams illustrate the behavior of the introduced concepts and methods.