Conception automatisée d'heuristiques méta hybrides basées sur la collaboration

L'hybridation joue un rôle important dans le renforcement des performances des algorithmes d'optimisation (OAs), cependant la conception d'OAs hybrides efficaces adaptés à des problèmes d'optimisation complexes reste une tâche difficile. Cet article présente une nouvelle méthodologie descendante pour la conception automatisée d'OAs hybrides, traitant la conception d'algorithmes comme un problème de méta-optimisation. Un modèle général de conception pour les OAs hybrides basés sur la collaboration est développé, intégrant pour la première fois une multitude de stratégies d'hybridation. De plus, un modèle mathématique est construit pour formuler le problème de méta-optimisation de la conception d'algorithmes. Pour résoudre le défi de méta-optimisation, un algorithme évolutionnaire multifactoriel amélioré est proposé afin de concevoir automatiquement des métaheuristiques hybrides efficaces dans un environnement multitâche pour les instances données avec des caractéristiques diverses. Pour vérifier l'efficacité de la méthodologie de conception proposée, elle a été appliquée aux fonctions de référence CEC2017 et au problème du sac à dos binaire. Les résultats numériques ont démontré la faisabilité et l'efficacité de la méthodologie proposée tant pour les benchmarks d'optimisation continue que combinatoire.