Porušování Limitů Argumentů v Evolučních Algoritmech

Ing. Tomáš Kadavý

Doctoral thesis

Abstract:

In recent decades, evolutionary algorithms (EA) have become popular and recognized for their robustness and effectiveness in solving a variety of optimization problems. With increasing challenges in the field of artificial intelligence (AI), especially in the context of machine learning applications, a new wave of EA research is emerging. Key aspects for the next generation of these algorithms include theoretical foundations, runtime analyses, proper benchmarking procedures, and detailed handling of critical situations, which are fundamental building blocks for achieving new successes in AI. One of the key challenges is mastering the limits of parameters of the optimized task, which define the space of permissible solutions. Although the available publications dealing with methods to prevent exceeding these limits are gradually improving and increasing in number, it is still a neglected topic that has a significant impact on the effectiveness of evolutionary algorithms (EA). This dissertation thesis focuses on the impact of various countermeasures on the performance of evolutionary algorithms (EA). The research began with an analysis of basic variants of EA, such as PSO (Particle Swarm Optimization), FA (Firefly Algorithm), and SOMA (Self-Organizing Migrating Algorithm). Attention then shifted to more advanced algorithms (state-of-the-art), selected based on benchmark sets. The study identified that integrating effective countermeasures into the design of algorithms could significantly influence their position in benchmark tests. The conclusions of the work point to a significant issue in the replicability of algorithms, caused by incomplete descriptions in publications. This situation indicates the need for improvement in the algorithm design process to enhance their verifiability and sustainability.

Abstract:

V posledních desetiletích se evoluční algoritmy (EA) staly populárními a uznávanými pro svou robustnost a efektivitu v řešení rozmanitých optimalizačních problémů. S narůstajícími výzvami v oblasti umělé inteligence (AI), zejména v kontextu aplikací strojového učení, dochází k nové vlně výzkumu EA. Klíčové aspekty pro další generaci těchto algoritmů zahrnují teoretické základy, analýzy běhu, správné benchmarkovací postupy a detailní zvládání kritických situací, což jsou základní stavební kameny pro dosahování nových úspěchů v AI. Jednou z klíčových výzev je i zvládnutí limitů parametrů optimalizované úlohy, které definují prostor přípustných řešení. I když se dostupné publikace, zabývající se metodami zabraňujících překročení těchto limitů, postupně zlepšují a jejich počet roste, stále je to mnohdy opomíjené téma, které má významný dopad na efektivitu evolučních algoritmů (EA). Tato dizertační práce se zaměřuje na vliv různých protiopatření na výkon evolučních algoritmů (EA). Výzkum začal analýzou základních variant EA, jako jsou PSO (Particle Swarm Optimization), FA (Firefly Algorithm) a SOMA (Self-Organizing Migrating Algorithm). Pozornost se poté přesunula na pokročilejší algoritmy (state-of-the-art), vybrané na základě benchmarkových sad. Studie identifikovala, že integrace účinných protiopatření do návrhu algoritmů může významně ovlivnit jejich pozici v benchmarkových testech. Závěry práce poukazují na významnou problematiku v replikovatelnosti algoritmů, způsobenou nekompletními popisy v publikacích. Tato situace naznačuje potřebu zlepšení v procesu návrhu algoritmů, aby se zvýšila jejich ověřitelnost a udržitelnost.

Keywords

Metody kontroly hranic, Metaheuristická optimalizace, Evoluční výpočetní techniky

Language used: English

Date on which the thesis was submitted / produced: 17. 6. 2024

Thesis defence

Tomas Bata University in Zlín

Faculty of Applied Informatics

Doctoral programme / field:
Engineering Informatics / Engineering Informatics