Wie können sich evolutionäre Algorithmen an verändernde Umgebungen anpassen? Dieser Artikel präsentiert eine theoretische Analyse von mutationsadaptiven evolutionären Algorithmen und betont die Notwendigkeit ausgefeilter Modellierungstechniken, um ihr dynamisches Verhalten zu verstehen. Die Autoren berücksichtigen die vollständige Geschichte der Evolution des Algorithmus und gehen über die Grenzen von Markov-Ketten hinaus, indem sie zufällige Systeme mit vollständigen Verbindungen verwenden. Die Studie verbessert das Verständnis der inneren Funktionsweise und der Anpassungsfähigkeit von evolutionären Algorithmen. Die Analyse umfasst mehrere mutationsadaptive Algorithmen: einen binären genetischen Algorithmus, die 1/5-Erfolgsregel-Evolutionsstrategie sowie kontinuierliche und dynamische (1+1)-evolutionäre Algorithmen. Das neue Paradigma der Zufallssysteme mit vollständigen Verbindungen ermöglicht eine genauere Darstellung der komplexen Dynamik der Anpassung. Diese Forschung hat Auswirkungen auf den Entwurf und die Optimierung adaptiver Algorithmen in verschiedenen Bereichen, darunter Informatik, Ingenieurwesen und Optimierung. Durch die Bereitstellung eines theoretischen Rahmens für die Analyse ihrer Konvergenz und ihres Verhaltens trägt diese Arbeit zur Entwicklung robusterer und effizienterer evolutionärer Algorithmen bei.
Veröffentlicht in Evolutionary Computation, deckt dieser Artikel den Fokus der Zeitschrift auf theoretische Grundlagen und praktische Anwendungen evolutionärer Algorithmen ab. Er adressiert eine zentrale Herausforderung im Feld – die Parameteradaption – und bietet eine akkurate Analyse verschiedener adaptiver Strategien, die für das Publikum der Zeitschrift von Interesse ist.