Adaptação local da matriz de covariância guiada por mecanismos de exploração em estratégias de evolução

Abstract

Covariance Matrix Adaptation Evolution Strategy (CMA-ES) é o Estado-da-Arte, em computação evolucionária, para otimização de funções mono-objetivo no domínio dos números reais. Contudo, apresenta algumas limitações, como a dependência do ponto de inicialização e do tamanho da população, que podem conduzi-lo à convergência prematura, principalmente em funções multimodais. Portanto, agregar ao CMA-ES um mecanismo que possibilite explorar o espaço de busca, à procura de regiões mais promissoras, apresenta-se como uma relevante alternativa para mitigar estas limitações. Ao longo dos anos, foram desenvolvidos modelos baseados no CMA-ES que utilizam algum processo de exploração para evitar tais comportamentos, desde aqueles que aplicam reinicialização do processo evolucionário aos que empregam outro algoritmo com características exploratórias, como o Differential Evolution (DE), obtendo-se portanto um algoritmo memético. Com base nas evidências apresentadas, foi desenvolvido neste trabalho o Local CMA-ES Guided by Differential Evolution (L-CMA-DE), com o objetivo de aproveitar a sinergia entre a reinicialização e algoritmos meméticos, ao combinar CMA-ES e DE para produzir melhores soluções sem aumentar o número de avaliações de função. Logo, o algoritmo proposto é fundamentado em dois processos adaptativos: explotação em subespaços independentes, através do CMA-ES, guiada por uma exploração global, realizada pelo DE. Os experimentos realizados sugerem que o L-CMA-DE apresenta melhores resultados quando comparado ao CMA-ES e ao DE, aplicados isoladamente. A nova proposta também apresenta uma melhor performance quando comparada a algoritmos Estado-da-Arte, em funções de maior complexidade, sem prejuízo na quantidade de avaliações de função.