DGO Optimizatörü: Yerel Bütçe ve Popülasyon Etkilerini Anlamak

Bir optimizasyon algoritmasında yerel olarak daha iyi bir çözüm bulmanız, sonraki adımlarda kullanılan popülasyonu değiştirebilir ve nihai sonucu etkileyebilir. Bu üç etkiyi ayırmak çoğu zaman zor oluyor. Da Gou Gun Optimization (DGO) adlı yeni bir popülasyon optimizatörü, tam da bu soruları cevaplamak için tasarlanmış.

DGO'nun JQ100 konfigürasyonu, iki yönlü bir araştırma sırasında bir interpolasyon adayını değerlendiriyor. Araştırmanın ana bulgusu ilginç: yerel bütçe değeri (bir adımda harcanan hesaplama kaynağı), popülasyon taahhüdü etkisi (seçilen çözümlerin sonraki jenerasyonları nasıl şekillendirdiği) ve tam politika performansı (baştan sona sonuç) arasında farklar var. Hatta bazı durumlarda yerel olarak daha iyi bir taahhüt, daha kötü bir devamı tetikleyebiliyor.

Test sonuçları karışık. Kısa vadeli karşılaştırmalarda interpolasyon, uygun ikinci dereceden durumlarda öne çıkıyor. Ancak tam politika karşılaştırmasında DGO, klasik referans algoritmalara karşı toplamda daha iyi performans gösteriyor, özellikle BBOB test fonksiyonlarında. Eşleştirilmiş başlangıç karşılaştırmaları olumlu ortalamalar gösterse de, istatistiksel aralıklar sıfırı kesiyor, yani fark her zaman net değil.

Bu çalışmanın değeri, optimizasyon algoritmaları tasarlarken sezginin yanıltabileceğini göstermesi. Yerel iyileştirme her zaman global başarıya yol açmıyor. Eğer kendi optimizasyon sistemlerini geliştiriyorsan veya algoritma performansını değerlendiriyorsan, bu tür kontrollü karşılaştırmalar, yalnızca son sonuca değil, ara adımlara da bakarak, çok daha güvenilir sonuçlar veriyor.