A proposed framework for the analysis of the performance of newly proposed metaheuristics

Ehounou, Remi (2022). A proposed framework for the analysis of the performance of newly proposed metaheuristics. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (8MB) | Prévisualisation

Résumé

Metaheuristics benchmarking plays a key role in developing new algorithms for optimization problems. However, a number of published studies criticize the lack of reliable and repeatable experimentation in the analysis of many newly proposed metaheuristics. The enhancement of an analysis framework is studied and implemented as an adequate response to this issue.

This research presents a framework for the design and analysis of the performance of newly proposed metaheuristic algorithms named Metaheuristics Design and Analysis Framework (MDAF). The importance of well-constructed and controlled studies is recognized as a necessary step for the benchmarking results to be reliable and repeatable.

Methods such as the classification of problem instances into categories based on a representation calculated from the FLACCO (Feature-Based Landscape Analysis of Continuous and Constrained Optimization) library are discussed. The selection of benchmarking parameters, problem instances, and statistical methods are also presented.

It is observed from the analyses that the implementation of valid experimental methods is an effective strategy for Benchmarking the performance of optimization algorithms.

Titre traduit

Cadriciel d’analyse de la performance des propositions de nouvelles métaheuristiques

Résumé traduit

L’évaluation des métaheuristiques joue un rôle important dans le développement de nouveaux algorithmes pour les problèmes d’optimisation. Cependant, plusieurs études dans le domaine critiquent le manque de rigueur méthodologique dans plusieurs études de cas. L’implémentation de cadres d’analyse améliorés est proposée comme une réponse adéquate à ce problème.

Cette recherche étudie la faisabilité de ce principe en implémentant les recommandations de bonnes pratiques méthodologiques comme l’intégration d’analyses statistiques comme des études de régression entre la classification d’un problème et la performance des métaheuristiques à le résoudre. L’importance d’utiliser des études contrôlées est reconnue comme étant nécessaire pour assurer que les résultats soient fiables et répétables.

Des méthodes de classification des problèmes de test en catégories basées sur des caractéristiques calculées de la librairie FLACCO (Feature-Based Landscape Analysis of Continuous and Constrained Optimization) native au langage R sont présentées. La sélection des paramètres d’évaluation, des instances de problèmes de test et des méthodes statistiques est aussi traité. Un cadriciel nommé Metaheuristics Design and Analysis Framework (MDAF), fut augmenté et testé avec une étude de cas présenté à la fin de ce mémoire.

Il en ressort que l’évaluation de la performance d’algorithmes d’optimisation permet de déterminer des paramètres efficaces pour les études d’optimisation sur des fonctions spécifiques.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie superieure in partial fulfillment of the requirements for the degree of masters with thesis in software engineering". Comprend des références bibliographiques (pages 127-132).
Mots-clés libres:	métaheuristiques, optimisation mathématique, optimisation stochastique, cadre d’analyse
Directeur de mémoire/thèse:	Directeur de mémoire/thèse April, Alain
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	24 mai 2022 17:56
Dernière modification:	24 mai 2022 17:56
URI:	https://espace.etsmtl.ca/id/eprint/2991

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt