Memetic Computation: The Mainspring of Knowledge Transfer in a Data-Driven Optimization Era

این کتاب بین دو مؤلفه مهم هوش محاسباتی پل می‌کند: فناوری‌های به سرعت در حال پیشرفت یادگیری ماشینی در عصر اطلاعات دیجیتال و حوزه نسبتاً کند الگوریتم‌های جستجو و بهینه‌سازی همه‌منظوره. با در نظر گرفتن این موضوع، این کتاب در خدمت ارائه دیدگاهی مبتنی بر داده از بهینه‌سازی، از طریق چارچوب محاسبات ممتیک (MC) است. نویسندگان خلاصه‌ای از جدول زمانی کامل فعالیت‌های تحقیقاتی در MC ارائه می‌کنند - از شروع الگوریتم‌های اکتشافی جستجوی محلی که با الگوریتم‌های تکاملی ترکیب شده‌اند، تا تفسیر مدرن آن‌ها به‌عنوان بلوک‌های سازنده محاسباتی رمزگذاری‌شده دانش حل مسئله که می‌توان از آن یاد گرفت. وظیفه و به صورت تطبیقی ​​به دیگری منتقل می شود. در پرتو پیشرفت‌های تحقیقاتی اخیر، نویسندگان بر توسعه بیشتر MC به‌عنوان الگوی یادگیری و بهینه‌سازی هم‌زمان مسئله با پتانسیل برای به نمایش گذاشتن مهارت حل مسئله مانند انسان تأکید می‌کنند. یعنی با تجهیز موتورهای بهینه سازی برای به دست آوردن سطوح فزاینده ای از هوش در طول زمان از طریق میم های تعبیه شده که به طور مستقل یا از طریق تعامل آموخته می شوند. به عبارت دیگر، استفاده تطبیقی ​​از میم‌های دانش موجود این امکان را برای موتورهای بهینه‌سازی فراهم می‌کند تا رفتارهای جستجوی سفارشی را در پرواز انجام دهند - در نتیجه راه را برای توانایی حل مسئله همه منظوره (یا هوش عمومی مصنوعی) هموار می‌کنند. در این راستا، این کتاب به بررسی برخی از آخرین مفاهیم از ادبیات بهینه‌سازی، از جمله، انتقال متوالی دانش در میان مسائل، چندوظیفه‌ای، و جستجوی مقیاس بزرگ (بُعد بالا) می‌پردازد، و به طور سیستماتیک درباره تحولات الگوریتمی مرتبط با موضوع کلی بحث می‌کند. از memetics ایده های ارائه شده در نظر گرفته شده است تا برای مخاطبان گسترده ای از محققان علمی، مهندسان، دانشجویان و دست اندرکاران بهینه سازی که با اصطلاحات رایج محاسبات تکاملی آشنا هستند، قابل دسترسی باشد. درک کامل از رسمی سازی های ریاضی و مشارکت های الگوریتمی مستلزم پیش زمینه ای ابتدایی در احتمال، آمار و مفاهیم یادگیری ماشین است. دانش قبلی از تکنیک‌های بهینه‌سازی با کمک جایگزین/بیزی مفید است، اما ضروری نیست.

This book bridges the widening gap between two crucial constituents of computational intelligence: the rapidly advancing technologies of machine learning in the digital information age, and the relatively slow-moving field of general-purpose search and optimization algorithms. With this in mind, the book serves to offer a data-driven view of optimization, through the framework of memetic computation (MC). The authors provide a summary of the complete timeline of research activities in MC – beginning with the initiation of memes as local search heuristics hybridized with evolutionary algorithms, to their modern interpretation as computationally encoded building blocks of problem-solving knowledge that can be learned from one task and adaptively transmitted to another. In the light of recent research advances, the authors emphasize the further development of MC as a simultaneous problem learning and optimization paradigm with the potential to showcase human-like problem-solving prowess; that is, by equipping optimization engines to acquire increasing levels of intelligence over time through embedded memes learned independently or via interactions. In other words, the adaptive utilization of available knowledge memes makes it possible for optimization engines to tailor custom search behaviors on the fly – thereby paving the way to general-purpose problem-solving ability (or artificial general intelligence). In this regard, the book explores some of the latest concepts from the optimization literature, including, the sequential transfer of knowledge across problems, multitasking, and large-scale (high dimensional) search, systematically discussing associated algorithmic developments that align with the general theme of memetics. The presented ideas are intended to be accessible to a wide audience of scientific researchers, engineers, students, and optimization practitioners who are familiar with the commonly used terminologies of evolutionary computation. A full appreciation of the mathematical formalizations and algorithmic contributions requires an elementary background in probability, statistics, and the concepts of machine learning. A prior knowledge of surrogate-assisted/Bayesian optimization techniques is useful, but not essential.