Theory and Principled Methods for the Design of Metaheuristics

فراابتکاری و به‌ویژه الگوریتم‌های تکاملی به عنوان راه‌حل‌های کارآمد و قابل انطباق برای بسیاری از مسائل دنیای واقعی شناخته شده‌اند، اما روش اغلب غیررسمی که در آن تعریف و اعمال می‌شوند منجر به برداشت‌های نادرست و حتی کاربردهای موفق شده است. گاهی اوقات نتیجه آزمون و خطا هستند. در حالت ایده آل، مطالعات نظری باید توضیح دهند که چه زمانی و چرا فراابتکاری کار می کند، اما چالش بزرگ است: تجزیه و تحلیل ریاضی حتی برای سناریوهای ساده به تلاش قابل توجهی نیاز دارد و مسائل زندگی واقعی معمولاً بسیار پیچیده هستند.

در این کتاب ویراستاران پلی بین تئوری و عمل ایجاد می‌کنند و روش‌های اصولی را ارائه می‌کنند که دانش مسئله را در الگوریتم‌های تکاملی و سایر فراابتکاری‌ها ترکیب می‌کند. این کتاب شامل 11 فصل است که به موضوعات زیر می پردازد: نتایج نظری که نشان می دهد چه چیزی ممکن نیست، ارزیابی خطوط ناموفق تحقیقات تجربی. روش‌هایی برای تعریف دقیق دامنه مناسب مسائل و در عین حال تصدیق سازش بین طبقه‌ای از مسائلی که الگوریتم جستجو برای آنها اعمال می‌شود و عملکرد کلی مورد انتظار آن. طراحی اصولی از بالا به پایین الگوریتم‌های جستجو، به‌ویژه نشان می‌دهد که می‌توان الگوریتم‌هایی را طراحی کرد که برای برخی از کلاس‌های کاملاً تعریف‌شده خوب باشند. و در نهایت، تمرین اصولی، یعنی رویکردهای مستدل و سیستماتیک برای تنظیم آزمایش ها، سازگاری فراابتکاری با مسائل خاص، و تعیین پارامترها.

با مشارکت برخی از محققان برجسته. در این حوزه، این کتاب برای دانشمندان، پزشکان و دانشجویان تحصیلات تکمیلی در زمینه‌های محاسبات تکاملی، فراابتکاری، و هوش محاسباتی ارزش قابل توجهی خواهد داشت.

Metaheuristics, and evolutionary algorithms in particular, are known to provide efficient, adaptable solutions for many real-world problems, but the often informal way in which they are defined and applied has led to misconceptions, and even successful applications are sometimes the outcome of trial and error. Ideally, theoretical studies should explain when and why metaheuristics work, but the challenge is huge: mathematical analysis requires significant effort even for simple scenarios and real-life problems are usually quite complex.

In this book the editors establish a bridge between theory and practice, presenting principled methods that incorporate problem knowledge in evolutionary algorithms and other metaheuristics. The book consists of 11 chapters dealing with the following topics: theoretical results that show what is not possible, an assessment of unsuccessful lines of empirical research; methods for rigorously defining the appropriate scope of problems while acknowledging the compromise between the class of problems to which a search algorithm is applied and its overall expected performance; the top-down principled design of search algorithms, in particular showing that it is possible to design algorithms that are provably good for some rigorously defined classes; and, finally, principled practice, that is reasoned and systematic approaches to setting up experiments, metaheuristic adaptation to specific problems, and setting parameters.

With contributions by some of the leading researchers in this domain, this book will be of significant value to scientists, practitioners, and graduate students in the areas of evolutionary computing, metaheuristics, and computational intelligence.