Key points are not available for this paper at this time.
Les algorithmes évolutionnaires, tels que l'évolution différentielle, excellent dans la résolution de défis d'optimisation à paramètres réels. Cependant, l'efficacité d'un seul algorithme varie selon les différentes instances de problème, nécessitant des efforts considérables dans la sélection ou la configuration des algorithmes. Cet article vise à remédier à cette limitation en tirant parti des forces complémentaires d'un groupe d'algorithmes et en les programmant dynamiquement tout au long du processus d'optimisation pour des problèmes spécifiques. Nous proposons un cadre de sélection dynamique d'algorithmes basé sur l'apprentissage par renforcement profond pour accomplir cette tâche. Notre approche modélise la sélection dynamique d'algorithmes comme un processus de décision de Markov, entraînant un agent de manière à gradient de politique pour sélectionner l'algorithme le plus adapté en fonction des caractéristiques observées durant le processus d'optimisation. Pour doter l'agent des informations nécessaires, notre cadre intègre un design réfléchi des caractéristiques du paysage et des algorithmes. Parallèlement, nous utilisons un modèle de réseau de neurones profond sophistiqué pour inférer l'action optimale, garantissant des sélections d'algorithmes éclairées. De plus, un mécanisme de restauration du contexte des algorithmes est intégré pour faciliter le passage fluide entre différents algorithmes. Ces mécanismes permettent ensemble à notre cadre de sélectionner et de changer d'algorithmes de manière dynamique et en ligne. Notamment, le cadre proposé est simple et générique, offrant des améliorations potentielles à travers un large éventail d'algorithmes évolutionnaires. En tant qu'étude de preuve de principe, nous appliquons ce cadre à un groupe d'algorithmes d'évolution différentielle. Les résultats expérimentaux montrent l'efficacité remarquable du cadre proposé, améliorant non seulement les performances globales d'optimisation mais aussi démontrant une capacité de généralisation favorable à travers différentes classes de problèmes.
Guo et al. (Mon,) ont étudié cette question.