IEEE Journal: Evolutionäre Algorithmen meistern KI-Herausforderungen
Die neueste Ausgabe von IEEE Transactions on Evolutionary Computation, Band 29, Ausgabe 4, veröffentlicht im August 2025, bietet einen umfassenden Überblick über Spitzenforschung im Bereich der Algorithmen, die von natürlicher Selektion und biologischen Prozessen inspiriert sind. Diese computergestützten Techniken werden zunehmend wichtiger, um komplexe, reale Herausforderungen zu bewältigen, bei denen traditionelle Methoden oft versagen.
Ein wesentlicher Teil der Ausgabe widmet sich den Fortschritten in der multiobjektiven Optimierung, einem Bereich, der sich mit der Suche nach optimalen Lösungen befasst, wenn mehrere, oft widersprüchliche, Ziele gleichzeitig berücksichtigt werden müssen. Forscher erweitern die Grenzen dieser Algorithmen, um immer komplexere Szenarien zu bewältigen. Zum Beispiel untersuchen mehrere Artikel die dynamische multiobjektive Optimierung, bei der sich das Problem selbst im Laufe der Zeit ändert, was adaptive Strategien erfordert, um sich entwickelnde optimale Lösungen zu verfolgen. Dies umfasst Arbeiten zum Erlernen des Erweiterns oder Verkleinerns von Pareto-Mengen – der Menge der nicht-dominierten Lösungen – und zur Vorhersage von Richtungsverbesserungen in dynamischen Umgebungen. Andere Studien befassen sich mit rechenintensiven oder hochdimensionalen Problemen, wobei oft surrogate-unterstützte Reformulierungs- und Zerlegungstechniken eingesetzt werden, um die Optimierung durchführbar zu machen. Die Robustheit führender Algorithmen wie des Nondominated Sorting Genetic Algorithm II (NSGA-II) wird ebenfalls untersucht, wobei neue Approximationsgarantien etabliert werden. Darüber hinaus werden neuartige Ansätze für die constrained multiobjective optimization (multiobjektive Optimierung unter Nebenbedingungen) vorgestellt, bei denen Lösungen spezifischen Regeln oder Grenzen entsprechen müssen, einschließlich Methoden zur Handhabung unbekannter Nebenbedingungen und solcher, die auf probabilistischer Dominanz basieren.
Die genetische Programmierung, ein evolutionärer Ansatz, der Computerprogramme entwickelt, erweist sich als weiteres prominentes Thema und zeigt ihre Vielseitigkeit in verschiedenen Anwendungen. Forscher demonstrieren ihre Nützlichkeit bei der feingranularen Bildklassifizierung, zum Beispiel durch die Entwicklung flexibler Bereichserkennungsmethoden oder durch das Erlernen von Farb- und Mehrskalenmerkmalen. Über die Bildanalyse hinaus wird die genetische Programmierung auf entscheidende industrielle Probleme angewendet, wie die Merkmalsextraktion zur Ursachenidentifikation in der Fertigung, die interpretierbare maschinelle Lernlösungen liefert. Die Ausgabe enthält auch grundlegende Arbeiten zur Steuerung der effizienten Datensammlung für die symbolische Regression durch aktives Lernen. Interessanterweise vergleicht ein Artikel direkt die Leistung von großen Sprachmodellen (LLMs) mit der genetischen Programmierung zur Programmsynthese und bietet zeitnahe Einblicke in die Stärken und Schwächen dieser unterschiedlichen KI-Paradigmen bei der Codegenerierung.
Neben genetischen Algorithmen hebt das Journal Innovationen in anderen naturinspirierten Algorithmen hervor. Die Multiagenten-Schwarmoptimierung mit adaptiven internen und externen Lernmechanismen wird für die komplexe konsensbasierte verteilte Optimierung erforscht. Partikelschwarmoptimierer werden für großskalige Mehrquellen-Lokalisierungsprobleme angepasst, wie sie von Roboterschwärmen gelöst werden. Hybridansätze, die verschiedene evolutionäre Paradigmen kombinieren oder sie mit anderen KI-Techniken integrieren, spielen ebenfalls eine prominente Rolle. Beispiele hierfür sind ein feedback-lernbasierter memetischer Algorithmus für die energiebewusste verteilte flexible Job-Shop-Planung und die Anwendung von Deep Reinforcement Learning zusammen mit genetischer Programmierung für die dynamische Planung von Containerhafen-LKWs.
Die praktische Relevanz der evolutionären Berechnung zeigt sich in einer Vielzahl von Anwendungsbereichen. Über Fertigung und Logistik hinaus befasst sich die Ausgabe mit Bereichen wie klinischer Planung, Biomarker-Identifikation für komplexe Krankheiten und sogar Cybersicherheit, mit einem neuartigen „Evolutionary Art Attack“ zur Generierung von Black-Box-Angriffsbeispielen. Diesen Anwendungen zugrunde liegend verfeinert die Grundlagenforschung weiterhin das theoretische Verständnis evolutionärer Algorithmen. Dies umfasst Studien zur explorativen Landschaftsanalyse für Probleme mit gemischten Variablentypen, die Entwicklung neuer Diversitätsindikatoren wie der Riesz s-Energie und die exakte Berechnung von Qualitätsindikatoren wie R2. Die Herausforderung der Optimierung unter Rauschen wird ebenfalls angegangen, wobei neue Leistungsmetriken vorgeschlagen werden. Sogar der grundlegende Akt der Problemrepräsentation wird neu untersucht, wie in der Arbeit zur Transformation kombinatorischer Optimierungsprobleme in den Fourier-Raum zu sehen ist.
Zusammenfassend unterstreicht die in diesem Band präsentierte Forschung die dynamische und expandierende Rolle der evolutionären Berechnung in der künstlichen Intelligenz. Von der Verfeinerung theoretischer Grundlagen bis zur Bewältigung realer Komplexitäten in verschiedenen Branchen bieten diese biologisch inspirierten Algorithmen weiterhin leistungsstarke und anpassungsfähige Lösungen für Probleme, die sich konventionellen computergestützten Ansätzen widersetzen, und ebnen einen Weg zu intelligenteren und widerstandsfähigeren Systemen.