Metaoptimización

La metaoptimización, derivada de la optimización numérica, consiste en el uso de un método de optimización para ajustar otro. Se informa que Mercer y Sampson ^{[ 1 ]} utilizaron la metaoptimización ya a finales de la década de 1970 para encontrar la configuración óptima de parámetros de un algoritmo genético .

La metaoptimización y conceptos relacionados también se conocen en la literatura como metaevolución, superoptimización, calibración automática de parámetros, hiperheurísticas , etc.

Los métodos de optimización, como el algoritmo genético y la evolución diferencial, poseen diversos parámetros que rigen su comportamiento y eficiencia al optimizar un problema determinado. Estos parámetros deben ser seleccionados por el profesional para obtener resultados satisfactorios. La selección manual de los parámetros de comportamiento es una tarea laboriosa y susceptible a malentendidos sobre qué factores influyen en el buen desempeño del optimizador.

Los parámetros de comportamiento de un optimizador pueden variarse y su rendimiento puede representarse gráficamente como un paisaje. Esto es computacionalmente factible para optimizadores con pocos parámetros de comportamiento y problemas de optimización de rápida resolución, pero a medida que aumenta el número de parámetros, el tiempo necesario para calcular dicho paisaje de rendimiento se incrementa exponencialmente. Esta es la maldición de la dimensionalidad para el espacio de búsqueda que comprende los parámetros de comportamiento de un optimizador. Por lo tanto, se necesita un método eficiente para explorar dicho espacio.

Una forma sencilla de encontrar buenos parámetros de comportamiento para un optimizador es emplear otro optimizador superpuesto, llamado meta- optimizador. Existen diferentes maneras de hacerlo dependiendo de si los parámetros de comportamiento a ajustar son de valor real o discreto , y dependiendo de la métrica de rendimiento que se utilice, etc.

La metaoptimización de los parámetros de un algoritmo genético fue realizada por Grefenstette ^{[ 2 ]} y Keane, ^{[ 3 ]} entre otros, y Bäck informó experimentos con metaoptimización tanto de los parámetros como de los operadores genéticos . ^{[ 4 ]} La metaoptimización del algoritmo COMPLEX-RF fue realizada por Krus y Andersson, ^{[ 5 ]} y, ^{[ 6 ]} donde se introdujo y desarrolló aún más el índice de rendimiento de la optimización basado en la teoría de la información. La metaoptimización de la optimización de enjambre de partículas fue realizada por Meissner et al., ^{[ 7 ]} Pedersen y Chipperfield, ^{[ 8 ]} y Mason et al. ^{[ 9 ]} Pedersen y Chipperfield aplicaron la metaoptimización a la evolución diferencial . ^{[ 10 ]} Birattari et al. ^{[ 11 ] [ 12 ]} metaoptimizaron la optimización de colonia de hormigas . También se han utilizado modelos estadísticos para revelar más sobre la relación entre la elección de parámetros de comportamiento y el rendimiento de la optimización; véanse, por ejemplo, Francois y Lavergne ^{[ 13 ]} y Nannen y Eiben ^{[ 14 ]} . Smit y Eiben realizaron una comparación de varias técnicas de metaoptimización ^{[ 15 ] .}

• Aprendizaje automático automatizado (AutoML)
• Hiperheurísticas