Hejnové algoritmy se staly standardním nástrojem novodobé optimalizace. Příliv
nových metaheuristik však přinesl kritiku vůči kvalitě, kvantitě a diskutabilní
novosti těchto optimalizačních technik. Tato práce se zabývá momentálními
trendy hejnových algoritmů v oblasti vývoje a modifikace, ale i nástrahami,
které skýtají.
Už pres 30 let se metaheuristické algoritmy potýkají se stále stejnými problémy.
Otázka stagnace, předčasné konvergence či nízké rozlišnosti řešení je
výzvou, která je důležitá dnes stejně jako v počátcích oboru. To nemění ani
vývoj nových algoritmu, protože ty mnohdy spíše odkrývají limity stávajících
metodologických postupů v benchmarkingu, než aby přispívaly ke skutečnému
posunu v optimalizaci. Nové metaheuristiky tak čelí předsudkům a všeobecné
nedůvěře. Přestože otázka správných postupů je velmi aktuální, většina současných
doporučení zůstává zpravidla v teoretické rovině bez praktické aplikace. To
si tato práce klade za cíl začít měnit.
Autorka navrhuje sadu doporučení pro vývoj nových metaheuristik, které pak
implementuje ve vlastním návrhu hejnového algoritmu s únikovým mechanismem
z lokálního optima. Bizoní algoritmus představuje ukázku vývoje orientovaného
na konkrétní optimalizační problém a zároveň funguje jako model vybraných
aktuálních trendů a modifikací. Spojením teorie s praxí tato práce otevírá cestu
k řešení nové generace výzev.
Anotace v angličtině
Swarm algorithms have become standard tools of modern optimization. However,
the advent of new metaheuristics brought a wave of criticism against the
quantity, quality, and novelty of these optimization techniques. This dissertation
describes the current trends in development and modification of swarm
algorithms, as well as the challenges it includes.
For several decades metaheuristic algorithms have fought the very same optimization
problems. The issues of stagnation, premature convergence, or low
diversity of the solutions are dealt with today as well as in the beginning. The
development of new algorithms does not state a change. Rather than genuinely
advancing the field, new algorithms raise malpractice awareness in benchmarking.
Due to the common low standard of their proposal studies, novel metaheuristics
face a significant stigma of general distrust and disrespect. Although
the good practice in benchmarking is a very recent topic, most current guidelines
stay strictly in theory, i.e., are not applied. This work aims to start a change in
this regard.
The Author proposes a set of recommendations for new metaheuristic development
and implements them in a new swarm algorithm, which was developed
with an escape mechanism out of the local optimum containment challenge. The
Bison Algorithm showcases problem-oriented development and models current
trends and modifications. The connection between theory and practice opens a
way toward a new generation of challenges.
Klíčová slova
Metaheuristická optimalizace, Hejnové algoritmy, Vývoj nových metaheuristik, Benchmarking, Bizoní algoritmus
Hejnové algoritmy se staly standardním nástrojem novodobé optimalizace. Příliv
nových metaheuristik však přinesl kritiku vůči kvalitě, kvantitě a diskutabilní
novosti těchto optimalizačních technik. Tato práce se zabývá momentálními
trendy hejnových algoritmů v oblasti vývoje a modifikace, ale i nástrahami,
které skýtají.
Už pres 30 let se metaheuristické algoritmy potýkají se stále stejnými problémy.
Otázka stagnace, předčasné konvergence či nízké rozlišnosti řešení je
výzvou, která je důležitá dnes stejně jako v počátcích oboru. To nemění ani
vývoj nových algoritmu, protože ty mnohdy spíše odkrývají limity stávajících
metodologických postupů v benchmarkingu, než aby přispívaly ke skutečnému
posunu v optimalizaci. Nové metaheuristiky tak čelí předsudkům a všeobecné
nedůvěře. Přestože otázka správných postupů je velmi aktuální, většina současných
doporučení zůstává zpravidla v teoretické rovině bez praktické aplikace. To
si tato práce klade za cíl začít měnit.
Autorka navrhuje sadu doporučení pro vývoj nových metaheuristik, které pak
implementuje ve vlastním návrhu hejnového algoritmu s únikovým mechanismem
z lokálního optima. Bizoní algoritmus představuje ukázku vývoje orientovaného
na konkrétní optimalizační problém a zároveň funguje jako model vybraných
aktuálních trendů a modifikací. Spojením teorie s praxí tato práce otevírá cestu
k řešení nové generace výzev.
Anotace v angličtině
Swarm algorithms have become standard tools of modern optimization. However,
the advent of new metaheuristics brought a wave of criticism against the
quantity, quality, and novelty of these optimization techniques. This dissertation
describes the current trends in development and modification of swarm
algorithms, as well as the challenges it includes.
For several decades metaheuristic algorithms have fought the very same optimization
problems. The issues of stagnation, premature convergence, or low
diversity of the solutions are dealt with today as well as in the beginning. The
development of new algorithms does not state a change. Rather than genuinely
advancing the field, new algorithms raise malpractice awareness in benchmarking.
Due to the common low standard of their proposal studies, novel metaheuristics
face a significant stigma of general distrust and disrespect. Although
the good practice in benchmarking is a very recent topic, most current guidelines
stay strictly in theory, i.e., are not applied. This work aims to start a change in
this regard.
The Author proposes a set of recommendations for new metaheuristic development
and implements them in a new swarm algorithm, which was developed
with an escape mechanism out of the local optimum containment challenge. The
Bison Algorithm showcases problem-oriented development and models current
trends and modifications. The connection between theory and practice opens a
way toward a new generation of challenges.
Klíčová slova
Metaheuristická optimalizace, Hejnové algoritmy, Vývoj nových metaheuristik, Benchmarking, Bizoní algoritmus