Compensação de Exploração-Exploração Auto-Configurável em Computação Evolutiva via Aprendizado Profundo por Reforço

Os algoritmos de computação evolutiva (CE), renomados como otimizadores poderosos de caixa-preta, aproveitam um grupo de indivíduos para buscar cooperativamente o ótimo. A compensação de exploração-exploração (CEE) desempenha um papel crucial na CE, que, no entanto, tem sido tradicionalmente regida por regras projetadas manualmente. Neste artigo, propomos uma estrutura baseada em aprendizado profundo por reforço que configura e adapta autonomamente a CEE ao longo do processo de busca da CE. A estrutura permite que diferentes indivíduos da população atendam seletivamente aos exemplares globais e locais com base no estado atual da busca, maximizando o resultado da busca cooperativa. Nossa estrutura proposta é caracterizada por sua simplicidade, eficácia e generalizabilidade, com o potencial de melhorar numerosos algoritmos de CE existentes. Para validar suas capacidades, aplicamos nossa estrutura a vários algoritmos de CE representativos e realizamos extensos experimentos na referência aumentada CEC2021. Os resultados demonstram melhorias significativas no desempenho dos algoritmos de base, além de uma generalização favorável em diversas classes de problemas, dimensões e tamanhos de população. Além disso, fornecemos uma análise aprofundada da questão da CEE, interpretando os comportamentos aprendidos da CE.