为了阻止低效的手动发明和配置新的元启发式优化算法,布鲁塞尔自由大学的人工智能实验室IRIDIA的一个研究团队研究了文献并概述了元启发式设计的自动方法的优势,特别是与许多多余的——有时甚至是古怪的——基于隐喻的元启发法。
回顾既展望了过去,也展望了未来。增加模块化元启发式软件框架和自动配置工具的使用将防止手动设计方法造成的浪费性试错,并带来更成功的结果。目标是优化对元启发式优化算法的搜索,进而优化对各种计算环境(包括机器学习)中计算问题的解决方案的搜索。
众所周知的成功元启发法包括进化计算、模拟退火和蚁群优化。这些方法的灵感来自于它们命名的自然过程。
根据该评论,元启发学领域充斥着类似的自然启发和隐喻命名的贡献,旨在实现类似的成功。然而,并非每个基于自然过程的元启发法都必然提供新的有用的计算技术。
该评论的作者对大量据称新颖的基于隐喻的元启发法表示遗憾,它们唯一的新颖之处在于“新的且令人困惑的术语”,而事实上,它们只是简单地重新创建了以前发表的方法。作为例子,他们简要描述了基于狼和杜鹃行为的实用性存疑的算法。他们还提到了基于僵尸、轮回和“智能”水滴的算法,“智能”水滴“知道”如何移向湖泊和河流。
尽管“隐喻热潮”是一个持续存在的问题,但真正的罪魁祸首并不是从大自然中获取灵感的吸引力,而是依赖灵感而不是科学设计原则的想法。具体来说,该评论的作者希望鼓励依赖自动设计的元启发式研究。
自动设计需要一个可以提供设计空间的元启发式软件框架和一个可以测试不同组件组合的自动配置工具。现代框架越来越灵活和模块化,因此越来越有用。该评论将ParadisEO、HeuristicLab、jMetal和EMILI描述为“目前可用的一些最全面且维护最积极的”框架。
除了扩展现有的元启发式软件框架之外,未来进行富有成效的研究的可能路径包括更详细地建模元启发式和开发用于基准测试的统计工具,这将使该领域奠定更坚实的基础。