Invloed van verhoogde selectiedruk bij Resource-Based Fitness Sharing

Abstract

Genetische algoritmen zijn uitermate geschikt om unimodale optimalisatieproblemen op te lossen. Wanneer we multimodale optimalisatieproblemen op willen lossen, komen niche methodes van pas. Hierdoor kunnen meerdere optima parallel bezocht worden en blijft variatie binnen de populatie behouden. Resource-Based Fitness Sharing (RFS) combineert de praktische voordelen van resource sharing en de computationele voordelen van fitness sharing. Met RFS kunnen exacte overdekking problemen als shape nesting worden opgelost. Omdat een sudoku-puzzel gereduceerd kan worden tot een exacte overdekking probleem, kan ook dit opgelost worden met RFS. We hebben het dan over RFSS. De selectiedruk is van nature laag bij RFSS, maar kan verhoogd worden door de shared fitness te kwadrateren of door Boltzmann Selection Procedure toe te passen. De selectiedruk verhogen heeft tot gevolg dat sudoku-puzzels sneller worden opgelost, maar de keerzijde is dat RFSS geen oplossing vindt bij een te hoge selectiedruk door de hoge parameter-gevoeligheid van het algoritme. Een oplossing hiervoor kan zijn een proportielimiet in te stellen.