Yapay Zeka Destekli Sürekli Optimizasyon Problemlerinin Yeni Tasarımı
Yapay Zeka Destekli Sürekli Optimizasyon Problemlerinin Yeni Tasarımı
Geniş dil modelleriyle, sürekli optimizasyon problemlerinin yüksek seviyeli özelliklerle kontrol edilebilen yeni test fonksiyonları başarıyla üretildi.
Önemli Noktalar
- Büyük dil modelleri, optimizasyon test problemlerinin yapay olarak tasarlanmasında kullanıldı.
- Yeni yöntem, mevcut test setlerine göre daha çeşitli ve anlamlı fonksiyonlar üretti.
- Oluşturulan kütüphane, algoritma seçimi ve peyzaj analizi için geniş bir benchmark sunuyor.
Çalışmanın Özeti
Sürekli kara kutu optimizasyonunda yaygın olarak kullanılan test fonksiyonları, sınırlı yapısal çeşitlilik sunuyor ve bu durum algoritma değerlendirmelerinde eksikliklere yol açıyor. Son gelişmeler ışığında, araştırmacılar büyük dil modellerini (LLM) evrimsel bir döngüye entegre ederek, yüksek seviyeli peyzaj özelliklerinin kontrol edilebildiği yeni optimizasyon problemleri üretmeyi başardı.
LLaMEA isimli çerçeveyle geliştirilen bu yaklaşımda, LLM’lere çok modluluk, ayrıştırılabilirlik, havza büyüklüğü homojenliği, arama alanı homojenliği ve küresel-yerel optimum kontrastı gibi hedeflenen özellikler doğal dil üzerinden tanımlanıyor. Model, bu tanımlamalara uygun problem kodlarını otomatik olarak üretiyor.
Teknik Detaylar
Döngü içinde, üretilen aday fonksiyonlar ELA tabanlı özellik tahmincileriyle puanlanıyor. Ayrıca, ELA-uzayında fitness paylaşımı mekanizması uygulayarak popülasyon çeşitliliği artırılıyor ve gereksiz benzerlikte fonksiyonların üretilmesi engelleniyor. Ek olarak, çekim havzası analizi, istatistiksel testler ve görsel incelemelerle elde edilen fonksiyonların gerçekten istenen yapısal özellikleri taşıdığı doğrulandı.
t-SNE yerleştirme sonuçları, üretilen fonksiyonların mevcut BBOB test setinden bağımsız yeni bir küme oluşturmak yerine, BBOB örneklem alanını genişlettiğini gösteriyor. Sonuç olarak ortaya çıkan fonksiyon kütüphanesi, peyzaj analizi ve otomatik algoritma seçimi gibi alanlarda kullanılmak üzere geniş, yorumlanabilir ve tekrarlanabilir bir benchmark seti sunuyor.
Gelecek Perspektifi
Bu yeni yöntemle, sürekli optimizasyon alanında test problemlerinin çeşitliliği ve zorluk seviyesi önemli ölçüde artırılabilecek. Araştırmacılar, 2026 yılı içinde bu yaklaşıma dayalı yeni araçların ve genişletilmiş fonksiyon kütüphanelerinin kullanıma sunulmasını bekliyor.
Kaynak: arxiv.org