Struktura populace v evolučních algoritmech

Abstract

Jednou z populárních optimalizačních metod jsou evoluční algoritmy, které dokáží poměrně efektivně řešit i velmi složité úlohy. Ovšem i tyto algoritmy mají svoje limity. Jedním z běžných problémů, se kterým se můžeme u evolučních algoritmů setkat, je předčasná konvergence, kdy algoritmus konvergoval do lokálního optima a není již schopen dalšího zlepšení. Jednou z možností, jak se s tímto problémem vypořádat, je použití struktur při správě populace evolučního algoritmu. Použití struktury určitým způsobem modifikuje chování evolučního algoritmu a pomáhá tak zachování diverzity populace. Cílem této práce je porovnání klasického evolučního algoritmu a několika vybraných evolučních algoritmů využívajících strukturovanou populaci. Konkrétně jsou to algoritmy ALPS: Age-Layered Population Structure, MAP-Elites: Multi-Dimensional Archive of Phonetypic Elits a celulární evoluční algoritmus. Otázkou tedy je, zda-li použití strukturované populace opravdu pomáhá evolučnímu algoritmu nalézt lepší řešení, respektive za jakých podmínek.

Evolutionary algorithms belong to popular optimization methods. They are able to provide satisfactory solutions even for hard tasks. But even these algorithms have their limitations. A common problem we can encounter within evolutionary algorithms is so-called premature convergence which is that the population converged to a local optimum, and no more improvements could be made. There are various methods that are designed to deal with premature convergence, and one of them is using structured populations. These structures modify the behavior of evolutionary algorithms in order to maintain diversity of the population. The goal of this thesis is to compare classical unstructured evolutionary algorithm with some structured algorithms, specifically ALPS: Age-Layered Population Structure, MAP-Elites: Multi-Dimensional Archive of Phenotypic Elites and cellular evolutionary algorithm, in order to find out if using structured populations is really beneficial.