Cómo los métodos de agregación de aptitud afectan el rendimiento de los CoEAs competitivos en problemas bilineares

Área de la Ciencia:

• Inteligencia artificial
• Optimización computacional
• Cálculo evolutivo

Sus antecedentes:

• Los algoritmos coevolucionarios competitivos (CoEAs) difieren de los métodos tradicionales mediante el uso de interacciones entre soluciones para la asignación de aptitud.
• Este enfoque es valioso para problemas de optimización con dominios interactivos inherentes.
• La investigación actual carece de claridad sobre los métodos óptimos de agregación de aptitud para los CoEAs.

Objetivo del estudio:

• Analizar rigurosamente la dinámica de las AEC y sus medidas de aptitud.
• Comparar el rendimiento de diferentes métodos de agregación de aptitud utilizando el análisis de tiempo de ejecución.
• Comprender el impacto de las medidas de aptitud en la eficiencia de optimización en dominios interactivos.

Principales métodos:

• Análisis en tiempo de ejecución de un (1, λ) CoEA.
• Estudio empírico de dos medidas comunes de aptitud: la peor interacción y la interacción promedio.
• Optimización de un problema Bilinear para evaluar el comportamiento del algoritmo.

Principales resultados:

• Se observó una dicotomía en el comportamiento del algoritmo en función de la medida de aptitud utilizada.
• El (1, λ) CoEA logra un equilibrio cercano a Nash en tiempo polinómico con alta probabilidad cuando se utiliza la peor medida de interacción.
• Por el contrario, el uso de la medida de interacción promedio hace que el algoritmo sea ineficiente para el mismo problema.

Conclusiones:

• La elección de la medida de aptitud tiene un impacto significativo en el rendimiento del CoEA.
• La peor medida de interacción ofrece un enfoque eficiente para optimizar los problemas bilineares con (1, λ) CoEAs.
• Se necesita un análisis más riguroso para comprender y seleccionar las medidas de aptitud óptimas para los CoEAs.