Eingeladener Vortrag von Thomas Bäck im Rahmen der 20th International Conference on Unconventional Computing and Natural Computation
Am 13. März war Prof. Thomas Bäck auf der UCNC 2023 Konferenz in Jacksonville, Florida, eingeladen, um einen Vortrag zu halten. Diese Konferenz bringt Wissenschaftler zusammen, die an neuartigen Paradigmen für algorithmische Verfahren arbeiten, die naturanalogen Vorbildern nachgeahmt sind oder algorithmische Aspekte natürlicher Prozesse betrachten. Seine Präsentation trägt den Titel „Über die automatische Optimierung problemspezifischer Optimierungsheuristiken nach dem Vorbild der Natur“.
Die Zusammenfassung der Präsentation:
Seit Jahrzehnten haben Wissenschaftler natürliche Phänomen und Prozesse als Inspiration für Problemlösungsmethoden genutzt, unter anderem im Bereich der Optimierung. Es gibt viele Klassen derartiger Algorithmen, wie z.B. Evolutionäre Algorithmen, Partikel Schwärme, Differential Evolution und Ameisenkolonieoptimierung, und die Anzahl der vorgeschlagenen Varianten ist ebenfalls sehr groß. Dadurch ist es schwierig, die Varianten und deren Stärken und Schwächen zu überblicken, und für Nicht-Experten, die den besten Algorithmus für ein Anwendungsproblem suchen, ist die Auswahl eines geeigneten Algorithmus eine nahezu unlösbare Aufgabe.
In diesem Vortrag stelle ich die Idee vor, den Optimierungsalgorithmus automatisch für eine gegebene Anwendungsaufgabe zu optimieren. Dieses Fragestellung kann als Algorithmenkonfigurationsproblem formuliert werden, und ich zeige anhand von Beispielen, wie dieses durch globale Optimierverfahren gelöst werden kann. Mit anderen Worten, der Optimierungsalgorithmus wird automatisch optimiert. Dazu stelle ich ein Beispiel vor, in dem ein kombinatorischer Algorithmendesignsuchraum definiert wird, der 4608 Varianten von Evolutionsstrategien umfasst. Dieser Ansatz erschließt uns völlig neue Möglichkeiten, bisher unbekannte Algorithmen problemspezifisch zu generieren. Der Ansatz kann auch auf andere Algorithmenklassen, wie z.B. Partikel Schwärme und Differential Evolution, erweitert werden.
Im zweiten Teil der Präsentation stelle ich Beispiele von Engineering Design Anwendungen vor, für die ein derartiger Ansatz deutliche Vorteile zeigen kann. Für solche Anwendungen erfordert die Optimierung des Optimierverfahrens eine genaue Definition der Problemklasse, für die die Optimierung durchgeführt wird. Am Beispiel von Crash-Optimierungen in der Automobilindustrie zeige ich erste Resultate, dass diese Problem sehr unterschiedlich von den üblichen akademischen Testproblemen sind, und stelle einen automatisierten Ansatz vor, Testfunktionen zu erzeugen, die das reale Problem gut abbilden. Erste Resultate zeigen einen deutlichen Performancegewinn dieses neuen Ansatzes, den Optimieralgorithmus für eine spezifische Problemklasse automatisch zu optimieren.