Memetyczne obliczenia agentowe w problemach optymalizacji
ciągłej
Klasyczne stwierdzenie no-free-lunch stanowi jedną z głównych motywacji do rozwoju nowych metaheurystyk. Przez lata wyraźną popularność w dziedzinie obliczeń metaheurystycznych zdobyły metody populacyjne, a w szczególności algorytmy ewolucyjne. Znaczący skok jakościowy w dziedzinie obliczeń ewolucyjnych przyniosło wprowadzenie koncepcji agentowości. Okazało się, że systemy agentowe są w stanie osiągać lepsze rozwiązania niż techniki klasyczne, potrzebując przy tym mniej nakładu obliczeniowego. Dalsze usprawnienia zostały zapewnione przez metody hybrydowe, takie jak algorytmy memetyczne. Metaheurystyki populacyjne stanowią efektywne, lecz mało wydajne narzędzia. W szczególności w tę kategorię wpisują się algorytmy memetyczne, z racji ogromnej liczby ewaluacji osobników. Dlatego też, niezbędne jest opracowywanie metod zwiększających wydajność metaheurystyk. Niniejsza rozprawa prezentuje technikę buforowania funkcji oceny przystosowania, która umożliwia zmniejszenie złożoności obliczeń memetycznych i pozwala na uzyskanie lepszych wyników w krótszym czasie, niż w przypadku relewantnych metod ewolucyjnych i agentowych. W pracy przeprowadzono eksperymentalną weryfikację przy wykorzystaniu trudnych, wielowymiarowych (5000 wymiarów) funkcji ciągłych. Ponadto, przedyskutowano możliwości przyśpieszenia obliczeń poprzez delegację ich najkosztowniejszych części do urządzeń GPU i FPGA.
Agent-based memetic computing in continuous optimization
The classic no-free-lunch theorem poses the primary motivation for developing novel metaheuristics. Throughout the years, population-based metaheuristics and, in particular, evolutionary algorithms, have gained an increased popularity in the field of metaheuristic computing. A qualitative leap in terms of evolutionary computing was achieved by introducing the notion of agency. Agent-based systems turned out to be able to attain better solutions than classic techniques, requiring less computational effort. Further enhancements have been provided by hybrid methods such as memetic algorithms. Nevertheless, efficiency turns out to be the main issue when population-based metaheuristies are applied. This becomes even-more challenging in the case of memetic algorithms. Therefore, new methods for improving metaheuristic efficiency are indispensable. The following dissertation proposes a technique of fitness evaluation buffering that makes it possible to decrease the complexity of memetic computing, and thereby to obtain better results in a shorter amount of time (when compared to classic evolutionary and agent-based metaheuristics). Experimental verification has been performed with the use of hard high-dimensional (5000) continuous benchmarks. Moreover, the possibilities of speeding up computations by delegating their most-expensive parts to the GPU and FPGA devices are touched upon.