⚛️ quantum physics

A Longitudinal Analysis of the CEC Single-Objective Competitions (2010-2024) and Implications for Variational Quantum Optimization

Dit artikel analyseert de resultaten van de IEEE CEC single-objective optimalisatiecompetities van 2010 tot 2024, waarbij wordt vastgesteld dat de invoering van dichte rotatiematrices in 2014 de dominantie van L-SHADE-bepaalde varianten vestigde en dat de daaropvolgende verschuiving naar complexe hybride optimalisatoren structurele overeenkomsten vertoont met landschappen voor variatiele quantumalgoritmen, wat suggereert dat deze geavanceerde oplossers geschikt zijn voor quantumcontrole.

Oorspronkelijke auteurs: Vojtěch Novák, Tomáš Bezděk, Ivan Zelinka, Swagatam Das, Martin Beseda

Gepubliceerd 2026-03-26

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Vojtěch Novák, Tomáš Bezděk, Ivan Zelinka, Swagatam Das, Martin Beseda

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Kern: Een 14-jarige race voor de slimste computer

Stel je voor dat er elk jaar een wereldkampioenschap wordt gehouden voor computers die moeilijke problemen moeten oplossen. Dit heet de CEC-wedstrijd. Deelnemers sturen hun slimste algoritmen (computerprogramma's) naar een reeks van zeer lastige testproblemen. Het doel is om te zien welk programma het snelst en het beste het "diepste dal" in een berglandschap vindt.

De auteurs van dit artikel hebben de uitslagen van deze wedstrijden van 2010 tot 2024 onder de loep genomen. Ze kijken niet alleen naar wie er won, maar vooral naar waarom bepaalde programma's wonnen en andere faalden.

De Drie Tijdenperken van de Race

De auteurs verdelen de geschiedenis in drie duidelijke fases, net als in een sportgeschiedenisboek:

1. De Vroege Jaren (2010–2013): Iedereen doet zijn eigen ding
In het begin was het een wildwest. Er waren veel verschillende soorten algoritmen: sommige werkten als een zwerm vogels (PSO), andere als een stam van mensen die evolueerden (Genetische Algoritmes).

De vergelijking: Stel je voor dat je een doolhof moet vinden. Sommige renners rennen blindelings, anderen kijken naar de windrichting.
Het resultaat: Het wonnen hing af van het type doolhof. Voor simpele doolhoren waren "zwermen" goed, voor moeilijke, echte wereldproblemen (zoals het plannen van elektriciteitsnetten) wonnen genetische algoritmes.

2. De Grote Verandering (2014–2019): De draaiende doolhoven
In 2014 veranderden de organisatoren de regels. Ze maakten de testproblemen niet langer rechtlijnig. Ze draaiden de hele kaart rond.

De vergelijking: Voorheen moesten renners alleen rechtdoor of schuin lopen. Nu moest je een doolhof doorlopen dat volledig op zijn kop stond. Als je probeerde om "alleen naar rechts" te lopen, liep je in feite schuin omhoog en bleef je steken.
Het gevolg: De oude methoden (zoals zwermen) faalden. Ze konden niet meer goed navigeren in deze gedraaide wereld.
De winnaar: Een methode genaamd Differential Evolution (een soort van "evolutie door verschil") bleek perfect. Waarom? Omdat deze methode niet kijkt naar "rechts" of "links", maar naar het verschil tussen twee punten. Of je de kaart nu draait of niet, het verschil tussen twee punten blijft hetzelfde. Dit algoritme (en zijn nakomeling L-SHADE) werd de absolute kampioen.

3. De Huidige Tijd (2020–2024): De super-hybriden
De testproblemen werden nog gekker. Ze werden samengesteld uit verschillende lagen, alsof je een doolhof hebt dat bestaat uit een berg, een meer en een bos, allemaal door elkaar heen.

De vergelijking: Je hebt nu niet meer één super-renner nodig, maar een super-team.
Het resultaat: De winnaars zijn nu "hybriden". Ze combineren verschillende technieken. Ze hebben een team dat ver weg zoekt (exploratie) en een team dat dichtbij de finish heel nauwkeurig werkt (exploitatie). Ze gebruiken zelfs kunstmatige intelligentie om te beslissen welke techniek ze op welk moment moeten gebruiken. Het is alsof een renner soms een fiets, soms een skateboard en soms een helikopter gebruikt, afhankelijk van het terrein.

Waarom is dit belangrijk voor Quantum-computers?

Dit is het meest spannende deel van het artikel. De auteurs zeggen: "Deze winnende algoritmen zijn perfect voor de toekomst van Quantum-computing."

Het Quantum-probleem: Quantum-computers zijn extreem krachtig, maar ze zijn ook erg "ruisig" (onstabiel) en hun landschappen zijn vaak vol met valkuilen (Barren Plateaus) waar de computer vastloopt. Het is alsof je probeert een naald te vinden in een hooiberg, terwijl de hooiberg zelf ook nog eens trilt en verandert.
De Oplossing: De oude methoden (zoals het gewoon "naar beneden lopen") werken hier niet, omdat ze vastlopen in lokale valkuilen of door de ruis verward raken.
De Match: De moderne algoritmen die de CEC-wedstrijden winnen (zoals L-SHADE en de hybriden) zijn juist gemaakt om:
1. Gedraaide landschappen te doorzoeken (net als bij Quantum-verstrengeling).
2. Ruis te negeren en toch het juiste pad te vinden.
3. Niet vast te lopen in kleine valkuilen.

Conclusie in één zin

De auteurs concluderen dat de computerwetenschap de afgelopen 14 jaar heeft geleerd hoe je de allerbeste "zoekmachines" bouwt voor de meest chaotische en draaiende werelden, en dat deze exacte zoekmachines nu de sleutel zijn om de revolutionaire Quantum-computers tot hun volle potentie te brengen.

Kortom: We hebben 14 jaar geoefend op de moeilijkste denkbeeldige doolhoven, en nu blijken die vaardigheden precies wat we nodig hebben om de echte quantum-revolutie te laten slagen.

1. Probleemstelling

Het artikel adresseert twee onderling verbonden problemen:

Evolutie van Benchmarking: Er is een gebrek aan longitudinale analyses die de ontwikkeling van winnende algoritmen in de IEEE CEC (Congress on Evolutionary Computation) competitie voor single-objective optimalisatie over een langere periode (2010–2024) in kaart brengen. Bestaande studies focussen vaak op specifieke jaren of suites, waardoor het beeld van hoe algoritmen zich hebben aangepast aan veranderende probleemtopologieën fragmentarisch blijft.
Optimalisatie voor Variational Quantum Algorithms (VQAs): Variational Quantum Algorithms, die hybride kwantum-klassieke systemen gebruiken, kampen met unieke uitdagingen zoals extreme ruis (shot noise), niet-separabiliteit door kwantumverstrengeling en "barren plateaus" (gebieden waar gradiënten exponentieel verdwijnen). Er is onzekerheid over welke klassieke optimalisatoren het beste geschikt zijn om deze complexe landschappen te navigeren.

2. Methodologie

De auteurs voerden een systematische longitudinale analyse uit van de winnende algoritmen van de CEC Single-Objective Competities van 2010 tot 2024.

Datacollectie: Rankings en technische rapporten van de top-3 algoritmen werden verzameld uit officiële repositories.
Classificatie: Algoritmen werden niet alleen op naam, maar op hun onderliggende structurele mechanismen geclassificeerd (bijv. Differential Evolution (DE), Genetic Algorithms (GA), Particle Swarm Optimization (PSO), Evolution Strategies (ES/CMA-ES)).
Fase-indeling: De analyse is opgedeeld in drie fasen gebaseerd op de dominantie van specifieke zoekmechanismen en de veranderingen in de benchmark-ontwerpen.
Validatie: De auteurs toetsen hun bevindingen aan de hand van theoretische principes (zoals rotatie-invariantie) en voeren een proof-of-concept simulatie uit van een 10-qubit VQE (Variational Quantum Eigensolver) om de prestaties van moderne CEC-algoritmen te vergelijken met traditionele methoden onder ruis.

3. Belangrijkste Bijdragen en Resultaten

De studie identificeert drie distincte evolutionaire periodes die de voortgang van het veld kenmerken:

Fase 1: Coördinaat-afhankelijke zoekopdracht en specialisatie (2010–2013)

Karakteristiek: Diversiteit in algoritmen. Memetische algoritmen en Swarm Intelligence (zoals PSO) deden het goed op grote schaalproblemen (1000 dimensies) door variabele decompositie.
Resultaat: Op de CEC 2011 (Real-World Problems) wonnen Genetische Algoritmen (GA-MPC) omdat ze goed omgingen met discrete en beperkte zoekruimtes, terwijl DE nog niet dominant was.
Beperking: Deze methoden waren vaak coördinaat-afhankelijk en faalden bij complexe variabele koppelingen.

Fase 2: Niet-separabiliteit en de opkomst van L-SHADE (2014–2019)

Kritieke Verandering: De introductie van dichte rotatiematrices in de CEC 2014 benchmarks vernietigde de separabiliteit van functies. Variabelen werden sterk gekoppeld (epistasis).
Impact: Coördinaat-afhankelijke methoden (PSO, GA) verloren effectiviteit omdat het wijzigen van één variabele alle andere beïnvloedde in het geroteerde coördinatenstelsel. CMA-ES leed onder hoge rekentijd ( $O(D^2)$ ) voor het leren van de covariantie.
Oplossing: Differential Evolution (DE) bleek superieur vanwege zijn rotatie-invariantie. De mutatievector ( $x_{r2} - x_{r3}$ ) is onafhankelijk van de coördinatenoriëntatie.
Dominantie: De L-SHADE familie (Success-History Adaptation + Lineaire Populatiegrootte Reductie) domineerde volledig. Ze leerden adaptief de stapgrootte en kruisingsratio's, waardoor ze de rotatie "impliciet" leerden zonder de zware rekentijd van CMA-ES.

Fase 3: Structurele Hybridisatie en Complexiteit (2020–2024)

Karakteristiek: De benchmarks werden nog complexer met "Composition Functions" (samengestelde landschappen met meerdere basins).
Trend: Verschuiving naar hybride ensembles die meerdere zoeklogica's combineren (bijv. DE gecombineerd met CMA-ES eigenvector-crossover, Reinforcement Learning voor operatorselectie, of multi-populatie strategieën zoals bij IMODE en AGSK).
Innovatie:
- NL-SHADE: Niet-lineaire populatievermindering om vroegtijdige convergentie te voorkomen.
- Eigenvector Crossover: Periodieke PCA (Principal Component Analysis) op de beste oplossingen om de rotatie expliciet te leren en DE-mutatie te sturen in geroteerde valleien.
- Success Rate Adaptation (L-SRTDE, 2024): Verschuiving van adaptatie op basis van fitness-grootte naar succes-ratio, wat robuuster is tegen ruis en misleidende landschappen.
Kritiek: Er is een trend naar "complexiteit-inflatie" waarbij algoritmen redundantie toevoegen om op elke mogelijke functie te scoren, soms ten koste van algemene generalisatie.

Implicaties voor Variational Quantum Optimization (VQAs)

De auteurs stellen dat de evolutie van CEC-oplossers direct toepasbaar is op VQAs:

Structuurvergelijking: De landschappen van VQAs vertonen dezelfde kenmerken als de moderne CEC-benchmarks:
- Niet-separabiliteit: Door kwantumverstrengeling (entanglement) zijn parameters sterk gekoppeld, analoog aan de rotatiematrices in CEC.
- Ruis: Shot noise in kwantummetingen creëert een stochastisch landschap, vergelijkbaar met de "deceptive" landschappen in CEC.
- Barren Plateaus: Gebieden met vlakke gradiënten vereisen globale zoekstrategieën.
Proof-of-Concept: Een simulatie van een 10-qubit Ising-model toonde aan dat:
- Gradiënt-gebaseerde methoden (L-BFGS-B) en eenvoudige DE-versies faalden onder ruis en bleven hangen in lokale minima.
- Moderne CEC-varianten (L-SHADE, IMODE, L-SRTDE) robuust bleven, de globale grondtoestand vonden en bestand waren tegen shot noise.
- De rotatie-invariantie en adaptieve populatiestrategieën van deze algoritmen zijn essentieel om de verstrengelde parameter ruimtes van kwantumcircuits te navigeren.

4. Conclusie en Significantie

De paper concludeert dat de dominante rol van Differential Evolution (en zijn hybride afgeleiden) in de CEC-competities niet toevallig is, maar het resultaat van een noodzakelijke evolutie om met niet-separabele, geroteerde en multimodale landschappen om te gaan.

Voor het veld van Evolutionary Computation: De studie biedt een helder kader voor het begrijpen van waarom bepaalde algoritmen overleven en andere verdwijnen, en waarschuwt voor de valkuil van overmatige complexiteit zonder echte innovatie.
Voor Quantum Computing: Het biedt een sterk argument voor het gebruik van geavanceerde, adaptieve CEC-oplossers als de standaard voor het optimaliseren van Variational Quantum Algorithms. De specifieke eigenschappen van deze algoritmen (rotatie-invariantie, populatie-diversiteit, en succes-gebaseerde adaptatie) maken ze ideaal om de unieke uitdagingen van kwantumhardware (ruis, verstrengeling, barren plateaus) te overwinnen.

Kortom, de paper fungeert als een brug tussen klassieke evolutionaire optimalisatie en de toekomst van kwantumcomputing, waarbij wordt aangetoond dat de "winnaars" van de CEC-competities de meest geschikte tools zijn voor de volgende generatie kwantumalgoritmen.