Computational Intelligence in Optimization - 9783642263613

Optymalizacja jest integralną częścią nauki i inżynierii. Większość rzeczywistych zastosowań obejmuje złożone procesy optymalizacyjne, które trudno rozwiązać bez zaawansowanych narzędzi obliczeniowych. W obliczu rosnących wyzwań związanych z realizacją celów optymalizacyjnych bieżących aplikacji istnieje silna potrzeba dalszego rozwoju skutecznych optymalizatorów. Wyzwania wynikające z pojawiających się problemów obejmują: * funkcje celu, których ocena jest zbyt kosztowna, więc zwykle w ciągu całego poszukiwania można przeprowadzić niewielką liczbę ocen funkcji celu, * funkcje celu, które są wysoce multimodalne lub nieciągłe, oraz * problemy niestacjonarne, które mogą zmieniać się w czasie (dynamiczne ). W obliczu takich wyzwań klasyczne optymalizatory mogą działać słabo lub nawet nie zapewniać żadnej poprawy w stosunku do wektora początkowego. Zmotywowało to badaczy do zbadania możliwości wykorzystania inteligencji obliczeniowej (CI) do udoskonalenia klasycznych metod rozwiązywania tak trudnych problemów. Metody takie obejmują metody wyszukiwania oparte na populacji, takie jak: a) algorytmy ewolucyjne i optymalizacja roju cząstek oraz b) mapowanie nieliniowe i podejścia do osadzania wiedzy, takie jak sztuczne sieci neuronowe i logika rozmyta, żeby wymienić tylko kilka. Wykazano, że takie podejścia sprawdzają się dobrze w trudnych warunkach. Konkretnie, CI to potężne narzędzia, które oferują kilka potencjalnych korzyści, takich jak: a) solidność (narzucają niewielkie wymagania lub nie nakładają żadnych wymagań na funkcję celu) b) wszechstronność (obsługują wysoce nieliniowe odwzorowania) c) samodopasowanie do poprawić wydajność i d) działać równolegle (co ułatwia rozkład złożonych zadań). Jednakże pomyślne zastosowanie metod CI do problemów występujących w świecie rzeczywistym nie jest proste i wymaga zarówno wiedzy eksperckiej, jak i eksperymentów metodą prób i błędów.