I recently read an excellent paper detailing the problems with metaphors in the design of metaheuristics:
https://www.researchgate.net/publication/237009138_Metaheuristics_--_the_metaphor_exposed?ev=srch_pub
The components are relatively easy: a solution representation, a fitness function to evaluate solutions, and methods to create new solutions.
Key strategic components include means to avoid and/or escape from local optima, balance exploration and exploitation, etc.
Where do people stand on these? I'm particularly interested on insights into cooperative coevolution that involves solving multiple problems in lower dimensions. How does this work for non-separable problems? Other than some optimization is better than no optimization, what's the justification/insight?
Article Metaheuristics -- the metaphor exposed
Dear Stephen Chen,
I want to answer on your question using my native Russian. I want to do it consciously as an experiment to check suitability of this step from discussions on the links:
https://www.researchgate.net/post/Cuanto_de_disrupcion_hay_en_las_propuestas_disruptivas
https://www.researchgate.net/post/How_to_improve_the_content_of_the_manuscript_Proofreading_and_English_native_speaker
Please, use Online Translator "PROMPT" on the link http://www.online-translator.com/ to translate from Russian to English. You cut my text and past into box, then press the button "TRANSLATE". If this experiment will not be approved then I will apologize. The goal of this experiment is to help many people of ResearchGate to express their thoughts in native language.
Я хочу обсудить с Вами три вопроса, которые являются для меня очень важными.
1. В настоящее время придуманы несколько тысяч различных эвристических алгоритмов, которые характеризуются абсолютной непредсказуемостью их результатов. Для меня очень важно знать совсем другое: как близко эвристическое решение к оптимальному решению в данный момент времени. Почему так мало уделяется внимания поиску качественных нижних границ ? На мой взгляд, поиск качественной нижней границы во много раз важнее ( в тысячу раз важнее !), чем поиск любого эвристического решения. Моя субъективная точка зрения такая: поиск
границы - это всегда большая наука, однако поиск эвристического решения - это только ремесло и я не вижу здесь большой науки.
2. Известный лауреат Нобелевской премии физик академик Л.Д. Ландау говорил так: когда я смотрю статью, я читаю только постановку проблемы и результат, который получил автор. Как надо решать эту проблему, я знаю лучше него. Я разделяю взгляд академика Ландау. Для меня намного важнее знать постановку задачи, чем увидеть решение автора статьи. Причина такая: я не могу использовать программу, которую автор статьи использовал для его экспериментов. Все программы в статьях недоступны, и это огромный их недостаток. Вопроc такой: почему я должен верить ему ? Если мне нужно решить его задачу, мне будет проще создать свой собственный алгоритм, чем пытаться понять алгоритм автора статьи. Сейчас нет никаких проблем для поиска эвристических решений: всегда можно придумать нехитрый эвристический алгоритм. Поэтому этих алгоритмов много тысяч. Однако почти никто в своих статьях не обсуждает гораздо более важную проблему о поиске качественных нижних границ.
3. Предположим, что я обычный пользователь без каких-либо специальных знаний: я не математик и не программист. Мне совсем не интересно знать о вашей теории, подходе решения и алгоритме. Я просто хочу использовать вашу программу, чтобы решить свою проблему. Если вы считаете, что вы придумали очень эффективный алгоритм, тогда сделаете вашу программу доступной в Интернете для всех пользователей и они скажут вам спасибо. Я считаю, что сейчас разрыв между учеными и пользователями очень огромный и это большая трагедия для общества. На мой взгляд, труд ученых ( в большинстве случаев ) сводится только к демонстрации своей квалификации и не преследует цель принести обществу пользу.
I thank you in advance for your patience
The translator is not bad. However, it almost reads like English written by a Russian, so it's probably a quite literal translation.
The issue of lower bounds is very difficult in continuous search spaces. For example, on the Ackley benchmark functions, many search techniques will get stuck on the plateau. Since none of these techniques ever find a solution in the area close to the optimum, how will any of these techniques be able to estimate the fitness in this unknown area? If we start to analyze the problem domain as opposed to the search space, we are no longer doing black box optimization, and the power of metaheuristics is the ability to work on many different problems (that are close to black box).
I hope that websites like this (i.e. Research Gate) encourage more sharing of source code in the future.
Lastly, I agree that the science of metaheuristics is under emphasized in the community -- too much tweaking and empirical performance measurements. I was hoping this question might engender the type of conversation I have with my colleagues when we meet in person -- an examination of where we'd like to go as opposed to what we're doing.
Kindly, go through the following publication.
Y. del Valle, G. Venayagamoorthy, S. Mohagheghi, J.-C. Hernandez, R. Harley, Particle swarm optimization: Basic concepts, variants and applications in power systems, IEEE Transactions on Evolutionary Computation, 12 (2) (2008) 171-195.
I hope it will be very helpful to you.
Regards,
M.N.Alam
https://www.researchgate.net/publication/296636431_Codes_in_MATLAB_for_Particle_Swarm_Optimization
Code Codes in MATLAB for Particle Swarm Optimization
https://www.researchgate.net/publication/297245624_Particle_Swarm_Optimization_Algorithm_and_its_Codes_in_MATLAB
Research Particle Swarm Optimization: Algorithm and its Codes in MATLAB
- Badges
- Science topic
- Similar topics
- Engineering
- Modeling