Generic Parameter Control for Evolutionary Algorithms
Contrôle Générique de Paramètres pour les Algorithmes Evolutionnaires
Résumé
Parameters of Evolutionary Algorithms (EAs) greatly influence their ability to produce good results. These parameters define structural and behavioral aspects of the EA, ranging from choosing which features will be included (e.g. set of operators, encoding, selection scheme) to how these features will be used (e.g. operators' application rates). Parametrization of EAs have been longly a specialist domain, and even though many previous studies have addressed the parametrization problem, there is a lack of generic approaches that could be applied to a wide range of EAs in a simple way. This thesis deals with the problem of creating a generic controller, that could be included in any EA with a minimum effort. Generality is accomplished by incorporating a learning/ adaptive component, that monitors the state of the search and modify parameter values. The controller focuses in common goals of all EAs, that is to say, to maximize both the diversity of the population and the quality of the individuals, in order to maintain a convenient balance between exploration and exploitation. Several configurations of learning tools and adjustment methods were tried and analyzed, using different EAs solving well known combinatorial problems. Positive results suggest that our goal of building a generic, easy-to-use controller is a feasible approach.
Les paramètres des Algorithmes Evolutionnaires (AEs) ont une forte influence sur leur capacité à produire de bons résultats. Ces paramètres définissent les aspects structuraux et comportementaux de l'AE, comme la définition des composants qui seront inclus (e.g., l'ensemble d'opérateurs à utiliser, le codage, le schéma de sélection) ou la façon dont ces composants seront employés (e.g., le taux d'application des opérateurs). La paramétrisation des AEs a ´et´e longtemps un domaine de spécialistes, et même si de nombreuses études ont abordé le problème de la paramétrisation, il existe un déficit d'approches génériques qui puissent être appliquées à une grande variété d'AEs d'une manière simple. Cette thèse traite le problème de la conception d'un contrôleur générique, qui puisse être inclus dans n'importe quel AE avec un minimum d'efforts. Ceci est accompli en incorporant un composant d'apprentissage adaptatif, qui surveille l'état de la recherche et modifie les valeurs des paramètres. Le contrôleur se focalise sur les objectifs communs à tout EA, i.e., la maximisation de la diversité de la population et de la qualité des individus, afin de maintenir un équilibre convenable entre l'exploration et l'exploitation. Des nombreuses configurations des mécanismes d'apprentissage et d'ajustement ont ´et´e essayées et analysées, en utilisant AEs différents qui résolvent des problèmes combinatoires connus. Les bons résultats obtenus suggèrent que notre objectif de construire un contrôleur générique et facile à utiliser constitue une approche encourageante.
Loading...