Comment le nombre d'évaluations de fonction objective impacte-t-il notre compréhension du comportement des métaheuristiques ?

Comparer diverses métaheuristiques sur la base d'un nombre égal d'évaluations de fonction objective est devenu une pratique standard. De nombreuses publications contemporaines utilisent un nombre spécifique d'évaluations de fonction objective défini par les ensembles de référence. De plus, de nombreuses publications abordent le thème récurrent de la stagnation tardive, ce qui peut donner l'impression que la poursuite du processus d'optimisation pourrait être un gaspillage des capacités de calcul. Mais est-ce réellement le cas ? Récemment, de nombreux défis, problèmes et questions ont été soulevés concernant des comparaisons équitables et des recommandations pour de bonnes pratiques d'évaluation des algorithmes métaheuristiques. Le but de ce travail n'est pas de comparer la performance de plusieurs algorithmes bien connus, mais d'examiner les problèmes qui peuvent apparaître dans l'évaluation et la comparaison des performances des métaheuristiques (peu importe quel est le problème). Cet article étudie l'impact d'un nombre d'évaluations plus élevé sur une sélection d'algorithmes métaheuristiques. Nous examinons l'effet d'un budget d'évaluation augmenté sur la performance globale, la convergence moyenne et la diversité de la population des algorithmes d'essaim sélectionnés et des gagnants de la compétition IEEE CEC. Même si l'impact final varie en fonction de la sélection actuelle des algorithmes, il peut affecter de manière significative le verdict final de la comparaison des métaheuristiques. Ce travail a mis en avant un problème de référence important et a réalisé une analyse approfondie, aboutissant à des conclusions et des recommandations possibles pour les utilisateurs travaillant sur des problèmes réels d'optimisation en ingénierie ou recherchant des algorithmes métaheuristiques. Surtout de nos jours, lorsque les algorithmes métaheuristiques sont utilisés pour des problèmes d'optimisation de plus en plus complexes et rencontrent l'apprentissage automatique dans les cadres AutoML, nous concluons que le budget d'évaluation de la fonction objective doit être considéré comme une autre variable d'entrée d'optimisation vitale.