Können Evolutionsstrategien ohne Zufall verbessert werden? Diese Arbeit stellt zwei leistungsstarke Methoden zur Anpassung der Mutationsverteilung vor: Derandomisierung und Kumulierung. Sie untersucht die Unzulänglichkeiten der mutativen Strategieparametersteuerung und untersucht zwei Derandomisierungsstufen, wobei grundlegende Anforderungen an die Selbstanpassung in normalen Mutationsverteilungen festgelegt werden. Das Papier zeigt, dass die Verwendung beliebiger normaler Mutationsverteilungen äquivalent zur Implementierung einer allgemeinen linearen Problemkodierung ist. Dieser rigoros verfolgte Ansatz führt zu einem vollständig derandomisierten Selbstanpassungsschema, das beliebige normale Mutationsverteilungen anpasst und zuvor genannte Anforderungen erfüllt. Die entwickelte Covariance Matrix Adaptation (CMA) Evolutionsstrategie, die durch Kumulierung unter Verwendung eines Evolutionspfads über einzelne Suchschritte weiter verbessert wird, weist lokale und globale Sucheigenschaften auf, wobei die Leistung auf perfekt skalierten Funktionen mit bestehenden Methoden vergleichbar ist. Simulationen zeigen deutliche Geschwindigkeitsverbesserungen bei schlecht skalierten, nicht trennbaren Funktionen, was darauf hindeutet, dass CMA Evolutionsstrategien für komplexe Optimierungsprobleme dramatisch verbessert.
Dieser Artikel wurde in Evolutionary Computation veröffentlicht und passt genau in den Fokus der Zeitschrift auf rechnerische Methoden, die von der natürlichen Evolution inspiriert sind. Die Forschung zur derandomisierten Selbstanpassung und Kovarianzmatrixanpassung befasst sich direkt mit den Hauptthemen der Zeitschrift, der Algorithmusoptimierung und den adaptiven Suchstrategien. Die Anzahl der aktuellen Zitate deutet auf einen wesentlichen Einfluss auf das Gebiet hin.