L'algoritmo GeM-EA combina meta-apprendimento e replay generativo per l'ottimizzazione di dati in streaming

Un nuovo algoritmo evolutivo chiamato GeM-EA affronta i problemi di ottimizzazione guidata da dati in streaming, dove il flusso continuo di dati crea paesaggi non stazionari. L'approccio unisce l'adattamento di surrogate appresi tramite meta-apprendimento con tecniche di replay generativo per gestire il concept drift. Quando si verificano cambiamenti ambientali, una strategia di meta-apprendimento a due livelli inizializza rapidamente i surrogate utilizzando precedenti rilevanti, catturando al contempo tendenze globali attraverso componenti residue lineari. I metodi esistenti spesso faticano con modelli obsoleti e trasferimento negativo durante cambiamenti improvvisi. Le strategie evolutive multi-isola sfruttano la conoscenza storica tramite replay generativo per accelerare i processi di ottimizzazione. L'algoritmo si rivolge specificamente ad applicazioni in cui i dati arrivano continuamente e gli ambienti di ottimizzazione evolvono nel tempo.