Noisy Optimization With Evolution Strategies

نویز یک عامل رایج در اکثر مسائل بهینه سازی دنیای واقعی است. منابع نویز می تواند شامل محدودیت های اندازه گیری فیزیکی، مدل های شبیه سازی تصادفی، نمونه برداری ناقص از فضاهای بزرگ و تعامل انسان و کامپیوتر باشد. الگوریتم‌های تکاملی، اکتشافی‌های کلی و الهام‌گرفته از طبیعت برای جستجوی عددی و بهینه‌سازی هستند که اغلب مشاهده می‌شود با توجه به اثرات نویز قوی هستند.

بهینه‌سازی نویز با استراتژی‌های تکامل کمک می‌کند. برای درک بهینه‌سازی تکاملی در حضور نویز با بررسی عملکرد استراتژی‌های تکامل، نوعی الگوریتم تکاملی که اغلب برای حل مسائل بهینه‌سازی با ارزش واقعی استفاده می‌شود. با در نظر گرفتن محیط‌های پر سر و صدا ساده، نتایجی به دست می‌آید که چگونگی مقیاس‌بندی عملکرد استراتژی‌ها را با پارامترهای مسئله و استراتژی‌های در نظر گرفته شده توصیف می‌کند. چنین قوانین مقیاس‌بندی امکان مقایسه انواع استراتژی‌های مختلف، تنظیم استراتژی‌های تکاملی برای حداکثر عملکرد را فراهم می‌کنند، و بینش و درک رفتار استراتژی‌ها را ارائه می‌دهند که فراتر از آنچه می‌توان از آزمایش صرف آموخت.

این اولین کار جامع در مورد بهینه‌سازی پر سر و صدا با استراتژی‌های تکاملی، اثرات ارزیابی بیش از حد تناسب اندام، مزایای جمعیت‌های پراکنده، و پتانسیل ترمیم ژنتیکی برای بهینه‌سازی در حضور نویز را بررسی می‌کند. استحکام نسبی استراتژی‌های تکامل در مقایسه با سایر الگوریتم‌های جستجوی مستقیم تأیید می‌شود.

بهینه‌سازی نویز با استراتژی‌های تکامل منبعی ارزشمند برای محققان و دست اندرکاران الگوریتم‌های تکاملی است.

Noise is a common factor in most real-world optimization problems. Sources of noise can include physical measurement limitations, stochastic simulation models, incomplete sampling of large spaces, and human-computer interaction. Evolutionary algorithms are general, nature-inspired heuristics for numerical search and optimization that are frequently observed to be particularly robust with regard to the effects of noise.

Noisy Optimization with Evolution Strategies contributes to the understanding of evolutionary optimization in the presence of noise by investigating the performance of evolution strategies, a type of evolutionary algorithm frequently employed for solving real-valued optimization problems. By considering simple noisy environments, results are obtained that describe how the performance of the strategies scales with both parameters of the problem and of the strategies considered. Such scaling laws allow for comparisons of different strategy variants, for tuning evolution strategies for maximum performance, and they offer insights and an understanding of the behavior of the strategies that go beyond what can be learned from mere experimentation.

This first comprehensive work on noisy optimization with evolution strategies investigates the effects of systematic fitness overvaluation, the benefits of distributed populations, and the potential of genetic repair for optimization in the presence of noise. The relative robustness of evolution strategies is confirmed in a comparison with other direct search algorithms.

Noisy Optimization with Evolution Strategies is an invaluable resource for researchers and practitioners of evolutionary algorithms.