Εξελικτικός Υπολογισμός

Abstract

Αρχικά γίνεται μία εισαγωγή στην βελτιστοποίηση και τονίζονται τα προβλήματα των κλασικών μεθόδων βελτιστοποίησης τα οποία καλούνται να επιλύσουν οι αλγόριθμοι του εξελικτικού υπολογισμού. Μετά από μια εισαγωγική παρουσίαση κάποιων αρχών της Δαρβινικής θεωρίας της εξέλιξης και της επικράτησης του πιο «προικισμένου» (ατόμου) εξηγείται πως, στη βάση αυτών των αρχών, μπορούν να αναπτυχθούν αλγόριθμοι βελτιστοποίησης στον υπολογιστή. Εξηγείται πως αυτοί οι αλγόριθμοι αναζητούν τη βέλτιστη λύση με στοχαστικό (βλ. τυχαίο) τρόπο σε πολλά προβλήματα που δεν μπορούν να βρεθούν αναλυτικά, βέλτιστες λύσεις είτε λόγω μεγέθους του προβλήματος είτε λόγω της φύσης του προβλήματος, π.χ. όταν εμπλέκονται μη-αριθμητικά δεδομένα. Παρουσιάζονται οι βασικές αρχές λειτουργίας δημοφιλών μεθόδων εξελικτικού υπολογισμού όπως οι γενετικοί αλγόριθμοι και η βελτιστοποίηση σμήνους σωματιδίων, ενώ γίνεται μία αναφορά στην πληθώρα των υπόλοιπων ευριστικών αλγορίθμων της βιβλιογραφίας καθώς και στις εφαρμογές τους στην επιστήμη του μηχανικού.

Initially, an introduction to optimization is provided, emphasizing the shortcomings of classical optimization methods that evolutionary computation algorithms aim to address. Following an introductory presentation of Darwinian evolutionary principles and the survival of the fittest concept, it is explained how optimization algorithms can be developed based on these principles for computer applications. These algorithms seek the optimal solution in a stochastic (randomized) manner for many problems that cannot be solved analytically, either due to their size or their nature involving non-numeric data. The basic operating principles of popular evolutionary computation methods such as genetic algorithms and particle swarm optimization are presented. Additionally, a variety of other heuristic algorithms from the literature are mentioned along with their applications in engineering science.