Technische Samenvatting: Optimalisatie van de Replicator-selectie met Geaccumuleerde Geschiedenis (Mycelium Netwerk Optimalisatie)

1. Probleemstelling

Populatiegebaseerde optimalisatiealgoritmen (bijv. Particle Swarm Optimization, Differential Evolution) maken doorgaans gebruik van een "geheugenloos" selectiemechanisme. In deze systemen wordt het overleven van een kandidaat-oplossing in de volgende generatie uitsluitend bepaald door de instantane fitness op tijdstip $t$. Dit ontwerp negeert alle historische prestatiegegevens en behandelt een agent die gedurende vijftig iteraties consequent in het bovenste deciel van de populatie heeft gezeten, als identiek aan een nieuw gegenereerde agent met een marginaal betere huidige fitness.

Het artikel betoogt dat deze temporele blindheid een cruciaal signaal verspilt: de persistentie van kwaliteit over de tijd. Hoewel instantane fitness voldoende is voor gladde, scheidbare landschappen, slaagt het er niet in om de geometrische informatie te vangen die inherent is aan gestructureerde, niet-scheidbare landschappen waar het verleden prestatievermogen een indicatie is van langetermijnlevensvatbaarheid. De auteurs stellen dat biologische selectiesystemen deze persistentie exploiteren, en dat huidige metaheuristieken hiervoor geen formeel gefundeerd mechanisme hebben.

2. Methodologie: Mycelium Netwerk Optimalisatie (MNO)

Het artikel introduceert het Accumulated-History Replicator Selection (AHRS) kader, geïmplementeerd als het Mycelium Netwerk Optimalisatie (MNO) algoritme. Geïnspireerd door fungale mycelia die cytoplasmatische hulpbronnen over de tijd accumuleren en deze via anastomosis delen, vervangt MNO de instantane fitness door een geaccumuleerde hulpbron-variabele als het primaire overlevingscriterium.

Kerncomponenten

1. Cytoplasmatische Stroming (Accumulated-History Selectie):
   Elke agent $i$ onderhoudt een hulpbron-variabele $R_i(t)$, die wordt bijgewerkt als een exponentieel gewogen voortschrijdend gemiddelde van zijn genormaliseerde kwaliteitsgeschiedenis $Q_i(t)$:
   $$R_i(t+1) = (1-\gamma)R_i(t) + \gamma Q_i(t)$$
   waarbij $\gamma$ de stroomsnelheid (streaming rate) is. Agents worden verwijderd als hun geaccumuleerde hulpbron onder een budgetafhankelijke drempelwaarde valt. Dit zorgt ervoor dat overleving afhangt van het volledige kwaliteitstraject, en niet alleen van de huidige staat.

2. Fitness-Nabijheid Anastomosis:
   Elke derde iteratie ondergaan agents met vergelijkbare fitnesswaarden (binnen een niche-drempel $\delta_a$) een overdracht van hulpbronnen. De "winnaar" ontvangt een fractie van de hulpbronnen van de "verliezer", gevolgd door een greedige chemotactische herpositioneringsstap richting de winnaar. Dit faciliteert de hulpbronstroom tussen agents die vergelijkbare niches bezetten.

3. Natural-Gradient Stap:
   Beweging wordt geleid door een hulpbron-gewogen natural-gradient stap. De zoekellips wordt uitgerekt langs dimensies met een hoge variantie (productieve valleien of ruggen) op basis van de distributie van de hulpbron-gewichten $p_i = R_i / \sum R_j$.

4. Sporulatie:
   Als de populatie onder de helft van de oorspronkelijke grootte zakt, worden nieuwe agents geïntroduceerd (60% willekeurig, 40% op basis van oppositie) om de diversiteit te behouden.

3. Theoretische Fundering

Het artikel biedt een rigoureuze wiskundige fundering voor MNO, waarbij het onderscheid maakt met puur metaforische bio-geïnspireerde algoritmen:

• Geschiedenis-afhankelijkheid: Stelling 1 bewijst dat de hulpbron-variabele $R_i(t)$ een voldoende statistiek is voor het volledige kwaliteitsverloop van een agent. Bijgevolg is het selectiecriterium niet-geheugenloos; twee agents met identieke instantane fitness maar verschillende geschiedenissen hebben verschillende overlevingskansen.
• Verbinding met de Replicator Vergelijking: Stelling 2 demonstreert dat de continu-tijd limiet van de streaming-update exact overeenkomt met de Replicator Vergelijking uit de evolutionaire speltheorie:
  $$\frac{dp_i}{dt} = \gamma p_i (Q_i - \bar{Q})$$
  De discrete update wordt aangetoond de Euler-discretisatie te zijn van deze vergelijking met een lokale afkortingsfout begrensd door $O(\gamma^2)$.
• Convergentiegarantie: Door Fisher's Fundamentele Stelling toe te passen op de Replicator Vergelijking, bewijst het artikel dat de hulpbron-gewogen gemiddelde kwaliteit $\bar{Q}(t)$ in verwachting niet-afnemend is gedurende de uitvoering.

4. Experimentele Resultaten

MNO werd geëvalueerd tegen zeven baselines (PSO, DE, SHADE, L-SHADE, JADE, ABC, CMA-ES) over:

• 20 klassieke benchmarkfuncties.
• 15 CEC 2017 functies (D=30, D=50).
• 6 beperkte engineering design problemen.

Belangrijkste Bevindingen

• Gestructureerde vs. Scheidbare Landschappen: MNO presteert significant beter dan PSO en DE op niet-scheidbare, gestructureerde functies (bijv. Rosenbrock, Schwefel 1.2, Trigonometric). Bijvoorbeeld, op Rosenbrock (30D) bereikte MNO een resultaat dat ~1.400 keer beter is dan PSO.
• Prestaties op Gladde Functies: Op gladde, scheidbare functies (bijv. Sphere, Ackley), presteert MNO minder goed dan parameter-adaptieve DE-varianten (SHADE, JADE, L-SHADE). De auteurs schrijven dit toe aan de "No Free Lunch" stelling, waarbij zij opmerken dat mechanismen die de temporele structuur exploiteren, geen voordelen bieden op landschappen die dergelijke structuur missen.
• Ablatieonderzoek: Experimenten bevestigden dat zowel de streaming-operator als de anastomosis-operator onafhankelijk bijdragen aan de prestaties. Het gecombineerde algoritme verbeterde 15/20 klassieke functies, wat beter is dan de prestaties van ofwel de ene of de andere operator alleen.
• Engineering Toepassingen: MNO behaalde resultaten die vergelijkbaar zijn met de state-of-the-art op spring design (0,4% gat) en economic load dispatch (0,01% gat). Een groter gat (23,6%) op het welded-beam probleem werd toegeschreven aan de beperkingen van de exterior penalty methode gebruikt voor constraint handling, en niet aan het selectiemechanisme zelf.

5. Betekenis en Claims

Het artikel maakt een bescheiden maar specifieke claim met betrekking tot de nieuwheid en significantie:

• Nieuwheid: De bijdrage is niet het gebruik van exponentiële smoothing (dat bestaat in fitness inheritance) noch de Replicator Vergelijking zelf. De nieuwheid ligt in de specifieke combinatie van het gebruiken van een individueel geaccumuleerde exponentiële kwaliteitsgeschiedenis als het directe overlevingscriterium, met de dynamica die formeel verbonden is met de Replicator Vergelijking via de evolutionaire speltheorie.
• Theoretische Bijdrage: MNO is de eerste metaheuristiek die zijn individuele selectiemechanisme expliciet formuleert als een discretisatie van de Replicator Vergelijking met formeel geverifieerde foutgrenzen ($O(\gamma^2)$).
• Praktische Implicatie: De resultaten identificeren "geaccumuleerde geschiedenis" als een voorheen onbenut selectiesignaal dat bijzonder effectief is op gestructureerde, niet-scheidbare zoeklandschappen. Het artikel suggereert dat andere populatiegebaseerde algoritmen kunnen profiteren van het integreren van temporeel geheugen in overlevingsbeslissingen, met name waar de geometrie van het landschap complex is.

De auteurs erkennen expliciet dat MNO geen universele solver is die superieur is aan alle bestaande methoden; in plaats daarvan biedt het een theoretisch gefundeerd alternatief voor specifieke klassen van optimalisatieproblemen waar de temporele persistentie van kwaliteit een geldige indicator is.