IEEEジャーナル：AIと最適化における進化的計算の進展

2025年8月に発行された『IEEE Transactions on Evolutionary Computation』第29巻第4号の最新号は、自然選択と生物学的プロセスに触発されたアルゴリズムにおける最先端の研究を包括的に紹介しています。これらの計算技術は、従来のメソッドでは対応しきれない複雑な現実世界の問題に対処するために、ますます不可欠になっています。

本号の大部分は、多目的最適化の進歩に特化しています。この分野は、複数（しばしば相反する）の目的を同時に考慮する必要がある場合に、最適な解を見つけることに関心があります。研究者たちは、これらのアルゴリズムの限界を押し広げ、ますます複雑なシナリオに対応しています。例えば、いくつかの論文では動的多目的最適化を探求しており、問題自体が時間とともに変化するため、進化する最適な解を追跡するための適応戦略が必要です。これには、パレート集合（非劣解の集合）を拡大または縮小する学習、および動的環境における方向性改善の予測に関する研究が含まれます。他の研究では、計算コストが高い問題や高次元の問題に対処しており、多くの場合、最適化を可能にするために代理モデル支援による再定式化および分解技術を採用しています。非劣ソート遺伝的アルゴリズムII（NSGA-II）のような主要なアルゴリズムの堅牢性も精査されており、新しい近似保証が確立されています。さらに、解が特定の規則や制限に従う必要がある制約付き多目的最適化の新しいアプローチが提示されており、未知の制約を処理する方法や確率的支配に基づく方法が含まれます。

コンピュータプログラムを進化させる進化的アプローチである遺伝的プログラミングは、その多様なアプリケーションにおける汎用性を示すもう一つの主要なテーマとして浮上しています。研究者たちは、例えば、柔軟な領域検出方法を開発したり、色と多尺度特徴を学習したりすることで、きめ細かい画像分類におけるその有用性を実証しています。画像分析を超えて、遺伝的プログラミングは、製造業における根本原因特定のための特徴抽出など、重要な産業問題に応用されており、解釈可能な機械学習ソリューションを提供しています。本号では、アクティブラーニングを通じてシンボリック回帰のための効率的なデータ収集を導く基礎研究も特集されています。興味深いことに、ある論文は、プログラム合成における大規模言語モデル（LLM）と遺伝的プログラミングの性能を直接比較し、コード生成におけるこれら異なるAIパラダイムの長所と短所に関するタイムリーな洞察を提供しています。

遺伝的アルゴリズムを超えて、本ジャーナルは他の自然着想型アルゴリズムにおける革新を強調しています。適応的な内部および外部学習メカニズムを備えた多エージェント群最適化は、複雑なコンセンサスベースの分散最適化のために探求されています。粒子群最適化は、ロボット群が取り組むような大規模な多源位置特定問題に適応されています。異なる進化的パラダイムを組み合わせたり、他のAI技術と統合したりするハイブリッドアプローチも目立っています。例としては、エネルギー効率の高い分散型フレキシブルジョブショップスケジューリングのためのフィードバック学習ベースのミームアルゴリズムや、コンテナ港トラックの動的スケジューリングのためのディープ強化学習と遺伝的プログラミングの応用が含まれます。

進化的計算の実践的な影響は、幅広い応用分野で明らかです。製造業やロジスティクスを超えて、本号は臨床スケジューリング、複雑な疾患のバイオマーカー特定、さらにはサイバーセキュリティの分野にも踏み込んでおり、ブラックボックスの敵対的サンプルを生成するための斬新な「進化的アートアタック」が紹介されています。これらの応用を支える基礎研究は、進化的アルゴリズムの理論的理解を洗練し続けています。これには、混合変数型問題の探索的ランドスケープ分析に関する研究、Riesz s-エネルギーのような新しい多様性指標の開発、R2のような品質指標の正確な計算が含まれます。ノイズ下での最適化の課題も対処されており、新しい性能指標が提案されています。問題表現という基本的な行為さえも再検討されており、組み合わせ最適化問題をフーリエ空間に変換する研究に見られます。

総体的に、本巻で発表された研究は、人工知能における進化的計算の動的かつ拡大する役割を強調しています。理論的基盤の洗練から、産業界全体の現実世界の複雑さへの対処まで、これらの生物学的着想を得たアルゴリズムは、従来の計算アプローチでは困難な問題に対して強力で適応性のあるソリューションを提供し続け、よりインテリジェントでレジリエントなシステムへの道筋を描いています。