Adaptive and Multilevel Metaheuristics

یکی از نکات کلیدی در حل مسئله فراابتکاری عملی این واقعیت است که تنظیم تکنیک بهینه سازی با مسئله مورد بررسی برای دستیابی به عملکرد برتر بسیار مهم است. این تنظیم/سفارشی‌سازی معمولاً در دست طراح الگوریتم است و با وجود برخی تلاش‌های روش‌شناختی، تا حد زیادی یک هنر علمی باقی می‌ماند. انتقال بخشی از این تلاش سفارشی‌سازی به خود الگوریتم - اعطای مکانیسم‌های هوشمند به آن برای سازگاری با مشکل - هدفی طولانی مدت در زمینه فراابتکاری بوده است.

این مکانیسم‌ها می‌توانند جنبه‌های مختلفی را شامل شوند. از الگوریتم، مانند خود تنظیم پارامترها، خود انطباق عملکرد اجزای داخلی، استراتژی های جستجو در حال تکامل، و غیره. برای تطبیق جستجو با استفاده انتخابی از اکتشافی های مختلف سطح پایین، نیز محبوبیت پیدا کرده است. این جلد، پیشرفت‌های اخیر در زمینه سازگاری در بهینه‌سازی فراابتکاری، از جمله بررسی‌های به‌روز ابرابتکاری و خود انطباق در الگوریتم‌های تکاملی، و همچنین کارهای پیشرفته در زمینه فراابتکاری تطبیقی، خودسازگاری و چندسطحی را با کاربرد بهینه سازی ترکیبی و پیوسته.

One of the keystones in practical metaheuristic problem-solving is the fact that tuning the optimization technique to the problem under consideration is crucial for achieving top performance. This tuning/customization is usually in the hands of the algorithm designer, and despite some methodological attempts, it largely remains a scientific art. Transferring a part of this customization effort to the algorithm itself -endowing it with smart mechanisms to self-adapt to the problem- has been a long pursued goal in the field of metaheuristics.

These mechanisms can involve different aspects of the algorithm, such as for example, self-adjusting the parameters, self-adapting the functioning of internal components, evolving search strategies, etc.

Recently, the idea of hyperheuristics, i.e., using a metaheuristic layer for adapting the search by selectively using different low-level heuristics, has also been gaining popularity. This volume presents recent advances in the area of adaptativeness in metaheuristic optimization, including up-to-date reviews of hyperheuristics and self-adaptation in evolutionary algorithms, as well as cutting edge works on adaptive, self-adaptive and multilevel metaheuristics, with application to both combinatorial and continuous optimization.