GECCO 21 Parallel GA KNP
1.0.0
Décider quelle technique d'optimisation utiliser pour résoudre un problème d'optimisation particulier est une tâche importante et ardue à laquelle le domaine de l'optimisation est confronté depuis des décennies. Le problème ci-dessus est connu sous le nom de problème de sélection d’algorithme (ASP). De nombreux chercheurs ont tenté de résoudre l’ASP pour une grande variété de problèmes. Les techniques d’optimisation considérées dans les travaux précédents sont principalement des techniques d’optimisation pouvant être exécutées de manière rapide. Cependant, l’adoption d’approches d’optimisation plus sophistiquées pour résoudre l’ASP, telles que les algorithmes évolutifs, augmente considérablement le coût de calcul impliqué. Nous souhaitons résoudre l'ASP en considérant différentes configurations d'un algorithme génétique (GA) appliqué au problème bien connu du sac à dos NP-difficile 0/1 (KNP). Ce qui précède implique l'exécution d'un nombre important de configurations dudit GA, afin d'évaluer leurs performances, lorsqu'elles sont appliquées à un large éventail d'instances avec différentes fonctionnalités du KNP, ce qui est une tâche coûteuse en termes de calcul. Par conséquent, l’objectif principal du travail actuel est de fournir, comme première étape pour résoudre l’ASP, un GA parallèle efficace, capable d’atteindre des résultats compétitifs, en termes de valeur objective optimale, dans un court laps de temps. Les résultats informatiques montrent que notre approche est capable d'évoluer efficacement et de réduire considérablement le temps moyen écoulé pour résoudre les instances KNP.
