حل مشاكل التحسين المكلفة في البيئات الديناميكية باستخدام التعلم الميتا

تشكل البيئات الديناميكية تحديات كبيرة لمشاكل التحسين المكلفة، حيث تتغير دوال الهدف لتلك المشاكل مع مرور الوقت، مما يتطلب موارد حسابية ملحوظة لتتبع الحلول المثلى. رغم أن أساليب التحسين التطوري المعتمدة على البيانات والتحسين البايزي (BO) أظهرت وعدًا في حل مشاكل التحسين المكلفة في البيئات الثابتة، فإن المحاولات لتطوير مثل هذه الأساليب في البيئات الديناميكية لا تزال نادرة الاستكشاف. في هذه المقالة، نقترح إطار عمل بسيط وفعال للتحسين المعتمد على التعلم الميتا لحل مشاكل التحسين الديناميكية المكلفة. هذا الإطار مرن، حيث يسمح باستخدام أي نموذج بديل قابل للتفاضل المستمر من السوق بشكل ملحق، سواء في طرق التحسين التطوري المعتمدة على البيانات أو طرق BO. على وجه الخصوص، يتألف الإطار من مكونين فريدين: 1) مكون التعلم الميتا، حيث يُعتمد نهج التعلم الميتا القائم على التدرج لتعلّم الخبرة (معلمات النموذج الفعالة) عبر ديناميكيات مختلفة خلال عملية التحسين، و2) مكون التكيف، حيث تُستخدم الخبرة المتعلمة (معلمات النموذج) كمعلمات أولية للتكيف السريع في البيئة الديناميكية بناءً على عينات قليلة. من خلال ذلك، يصبح بإمكان عملية التحسين بدء البحث بسرعة في بيئة جديدة ضمن ميزانية حسابية مقيدة بدقة. تُظهر التجارب فعالية إطار الخوارزمية المقترح مقارنة بعدة خوارزميات متطورة في مشاكل اختبار معيارية شائعة تحت خصائص ديناميكية مختلفة.