Yapay Zeka ile Evrimsel Algoritmaları Yönetmek: DRL-DCO Yaklaşımı

Yapısal model güncelleme gibi yüksek boyutlu optimizasyon problemleri, karmaşık ve dolambaçlı arama alanlarında doğru çözümü bulmayı gerektiriyor. Bugüne kadar kullanılan hibrit evrimsel algoritmalar genelde sabit mimariler veya mekanik geçiş kurallarıyla çalışıyor, bu da arama aşamalarının birbirinden kopuk kalmasına yol açıyor.

Yeni bir araştırma, bu sorunu çözmek için ilginç bir yol öneriliyor: Derin Pekiştirmeli Öğrenme (DRL) tabanlı dinamik DE-CMA-ES Orkestrasyon algoritması, yani DRL-DCO. Temel fikir, iki güçlü evrimsel tekniği, Diferansiyel Evrim (DE) ve CMA-ES, birbirinden bağımsız adımlar yerine tek, akıcı bir sistem olarak yönetmek.

Algoritmada DDPG (Deep Deterministic Policy Gradient) adlı bir yapay zeka ajanı devreye giriyor. Bu ajan, arama sürecinin ilerlemesini izleyerek, hesaplama kaynaklarını DE'nin keşif gücü ile CMA-ES'in sömürü yetenekleri arasında dinamik olarak dağıtıyor. Aynı zamanda popülasyon büyüklüğünü de akıllıca ayarlıyor. Sistem, ilerleme durumunu ve popülasyon çeşitliliğini temel alan bir ödül mekanizmasıyla eğitiliyor.

Bu yaklaşımın avantajı, sabit kurallar yerine öğrenmeye dayanması. Farklı problem türlerine karşı daha esnek ve uyarlanabilir davranış gösteriyor. Özellikle parametreler arasında korelasyon varsa, yapısal modellemelerde sık rastlanan bir durum, bu dinamik orkestrasyon daha etkili sonuçlar verebiliyor.

Praktik açıdan, bu tür hibrit sistemler mühendislik tasarımı, sistem tanılama ve karmaşık mühendislik problemlerinde zaman kazandırabiliyor. Yapay zeka ile evrimsel hesaplama birleştirmek, gelecekte optimizasyon araçlarının daha akıllı ve verimli hale gelmesinin bir işareti.