Contemporary Evolution Strategies

راهبردهای تکامل بیش از 50 سال سابقه در زمینه محاسبات تکاملی دارند. از اوایل دهه 1990، بسیاری از تغییرات الگوریتمی استراتژی‌های تکامل توسعه یافته‌اند، که مشخصه آن این است که آنها از مفهوم به اصطلاح تصادفی‌سازی برای تطبیق پارامترهای استراتژی استفاده می‌کنند. مهمتر از همه، استراتژی انطباق ماتریس کوواریانس (CMA-ES) و جانشینان آن نمایندگان کلیدی این گروه از استراتژی‌های تکامل معاصر هستند.

این کتاب مروری بر پیشرفت‌های کلیدی الگوریتم بین سال‌های 1990 و 2012، شامل توضیحات مختصری از الگوریتم‌ها، نمایش شبه کد یکپارچه از هر الگوریتم و کد برنامه‌ای که برای دانلود در دسترس است، ارائه می‌کند. علاوه بر این، طبقه‌بندی این الگوریتم‌ها برای روشن کردن شباهت‌ها و تفاوت‌ها و همچنین روابط تاریخی بین نمونه‌های مختلف استراتژی‌های تکامل ارائه شده است. علاوه بر این، با توجه به تمرکز نویسندگان بر کاربردهای صنعتی بهینه‌سازی غیرخطی، همه الگوریتم‌ها به‌طور تجربی بر روی مجموعه تابع تست BBOB (Black-Box Optimization Benchmarking) مقایسه شده و بر اساس عملکردشان رتبه‌بندی می‌شوند. با این حال، بر خلاف مقایسه‌های آکادمیک کلاسیک، فقط تعداد بسیار کمی از ارزیابی‌های تابع هدف مجاز است. به طور خاص، تعداد بسیار کمی از ارزیابی ها، مانند بین صد تا هزار برای توابع با ابعاد بالا، در نظر گرفته شده است. دلیل این امر این واقعیت است که بسیاری از کارهای بهینه سازی صنعتی اجازه بیش از چند صد ارزیابی را نمی دهند. آزمایش‌های ما نشان می‌دهد که استراتژی‌های تکامل، بهینه‌سازهای مستقیم غیرخطی قدرتمندی هستند، حتی برای مشکلات صنعتی چالش برانگیز با بودجه بسیار کمی از ارزیابی عملکرد.

این کتاب برای پژوهشگران و متخصصان دانشگاهی و صنعتی مناسب است.

Evolution strategies have more than 50 years of history in the field of evolutionary computation. Since the early 1990s, many algorithmic variations of evolution strategies have been developed, characterized by the fact that they use the so-called derandomization concept for strategy parameter adaptation. Most importantly, the covariance matrix adaptation strategy (CMA-ES) and its successors are the key representatives of this group of contemporary evolution strategies.

This book provides an overview of the key algorithm developments between 1990 and 2012, including brief descriptions of the algorithms, a unified pseudocode representation of each algorithm, and program code which is available for download. In addition, a taxonomy of these algorithms is provided to clarify similarities and differences as well as historical relationships between the various instances of evolution strategies. Moreover, due to the authors’ focus on industrial applications of nonlinear optimization, all algorithms are empirically compared on the so-called BBOB (Black-Box Optimization Benchmarking) test function suite, and ranked according to their performance. In contrast to classical academic comparisons, however, only a very small number of objective function evaluations is permitted. In particular, an extremely small number of evaluations, such as between one hundred and one thousand for high-dimensional functions, is considered. This is motivated by the fact that many industrial optimization tasks do not permit more than a few hundred evaluations. Our experiments suggest that evolution strategies are powerful nonlinear direct optimizers even for challenging industrial problems with a very small budget of function evaluations.

The book is suitable for academic and industrial researchers and practitioners.