Metaheurystyki w optymalizacji procesów złożonych

Opowiem o wynikach przedstawionych w mojej pracy doktorskiej, które dotyczą optymalizacji procesów złożonych przy pomocy metaheurystyk. W ramach badań skupiałem się na 2 procesach złożonych: sterowaniem sygnalizacją świetlną dla ruchu drogowego w miastach oraz optymalizacją radioterapii w leczeniu nowotworu. Jednym z efektów było zaproponowanie uniwersalnej metody optymalizacji procesów złożonych poprzez połączenie symulacji komputerowych, metaheurystyk i modeli surogatywnych bazujących na uczeniu maszynowym. Zbadanych zostało kilka metaheurystyk oraz innych algorytmów optymalizacyjnych i okazało się, że ogólnie metaheurystyki populacyjne (algorytmy genetyczne, algorytmy memetyczne i CMA-ES) dają najlepsze wyniki, ale niektóre inne algorytmy (np. spadek gradientowy) są również dobre. Zbadanych zostało także kilka modeli surogatywnych bazujących na sieciach neuronowych i LightGBM, a także zaproponowano nową architekturę rzadkich grafowych sieci neuronowych, która okazała się dawać dobre przybliżenie wyników symulacji ruchu drogowego. Dla aproksymacji wyników symulacji ewolucji nowotworu pod wpływem radioterapii LightGBM również okazał się dawać zadowalające wyniki, ale jeszcze lepsze rezultaty uzyskano dla konwolucyjnych sieci neuronowych z mechanizmem atencji. Dalszą poprawę uzyskano dzięki łączeniu kilku modeli i zastosowaniu nowej funkcji straty (Margin Ranking Loss).