As métricas tradicionais de avaliação de desempenho para metaheurísticas focam principalmente na melhor solução obtida ou nos recursos computacionais necessários para resolver um problema. No entanto, mais informações valiosas sobre componentes algorítmicos e design podem ser extraídas durante o processo de busca. Essas informações aumentam a compreensão do design algorítmico, apoiam a configuração do algoritmo e informam avanços metodológicos. Este estudo apresenta o MHMetLib, uma biblioteca unificada de indicadores para analisar tanto metaheurísticas baseadas em trajetórias quanto baseadas em populações. A biblioteca oferece indicadores para convergência, diversidade e comportamento do operador. Isso permite uma análise comportamental abrangente além das medidas escalares tradicionais. Cada indicador é formalmente definido e detalha seu objetivo, requisitos computacionais e domínio de aplicação. MHMetLib foi implementado e avaliado na plataforma IOHProfiler. Isso garante uma avaliação consistente do comportamento algorítmico entre diferentes famílias de metaheurísticas e apoia comparações, diagnósticos e configurações. MHMetLib também é compatível com outras estruturas de metaheurísticas ou implementações algorítmicas personalizadas. Sua eficácia é demonstrada usando problemas padrão de benchmark, como OneMax, IsingTorus e NQueens em algoritmos evolutivos e resfriamento simulado. Os resultados destacam a capacidade dos indicadores de revelar dinâmicas significativas nos processos de busca das metaheurísticas.
Cassis et al. (Sex,) estudaram essa questão.