Como o Número de Avaliações da Função Objetivo Impacta Nossa Compreensão do Comportamento das Metaheurísticas?

Comparar várias metaheurísticas com base em um número igual de avaliações da função objetivo tornou-se uma prática padrão. Muitas publicações contemporâneas usam um número específico de avaliações da função objetivo definidas pelos conjuntos de benchmark. Além disso, muitas publicações abordam o tema recorrente da estagnação tardia, o que pode dar a impressão de que continuar o processo de otimização poderia ser um desperdício de capacidades computacionais. Mas será que é? Recentemente, muitos desafios, problemas e questões foram levantados sobre comparações justas e recomendações para boas práticas na avaliação de algoritmos metaheurísticos. O objetivo deste trabalho não é comparar o desempenho de vários algoritmos bem conhecidos, mas investigar as questões que podem surgir na avaliação e comparação do desempenho de metaheurísticas (independentemente do problema). Este artigo estuda o impacto de um número maior de avaliações em uma seleção de algoritmos metaheurísticos. Examinamos o efeito de um orçamento de avaliação elevado sobre o desempenho geral, a convergência média e a diversidade da população de algoritmos de enxame selecionados e vencedores da competição IEEE CEC. Embora o impacto final varie com base na seleção atual do algoritmo, pode afetar significativamente o veredicto final da comparação de metaheurísticas. Este trabalho abordou uma questão importante de benchmark e fez uma análise extensa, resultando em conclusões e possíveis recomendações para usuários que trabalham com problemas reais de otimização em engenharia ou que pesquisam algoritmos metaheurísticos. Especialmente hoje em dia, quando algoritmos metaheurísticos são usados para problemas de otimização cada vez mais complexos e se encontram com aprendizado de máquina em estruturas AutoML, concluímos que o orçamento de avaliações da função objetivo deve ser considerado outra variável de entrada vital para otimização.