Evrimsel algoritmalar, doğadaki evrim süreçlerinden ilham alarak karmaşık optimizasyon problemlerini çözmeye odaklanan yapay zeka teknikleridir. Bu algoritmalar özellikle birden fazla amacı aynı anda optimize etmeye çalıştıklarında 'çok amaçlı evrimsel algoritmalar' (MOEA) olarak adlandırılır.
Yapılan yeni araştırma, bu algoritmaların problem boyutu arttıkça nasıl davrandığını - yani ölçeklenebilirliklerini - detaylı bir şekilde inceliyor. Geleneksel olarak bu tür çalışmalar sürekli problemler üzerinde yoğunlaşmış durumda. Ancak kombinatorial optimizasyon problemleri oldukça farklı karakteristikler sergiliyor.
Kombinatorial problemlerin en belirgin özelliği discrete (ayrık) yapılarıdır. Bu durum algoritmaların karşılaştığı çözüm uzayında pürüzlü peyzajlar, sayısız yerel optimum nokta ve birbirinden kopuk global optimum bölgeler yaratıyor. Sonuç olarak, algoritmaların davranışları sürekli problemlerdekinden oldukça farklılaşıyor.
Araştırmanın dikkat çekici bulgularından biri, SEMO gibi görece basit algoritmaların performansıyla ilgili. Bu algoritma, gelişmiş seçim mekanizmaları ve çeşitlilik koruma sistemleri bulunmamasına rağmen, birçok durumda daha sofistike algoritmalardan üstün sonuçlar üretiyor. Ancak bu durumin büyük ölçekli problemlerde de geçerli olup olmadığı şimdiye kadar belirsizdi.
Bu empirik araştırma, farklı MOEA'ların ölçeklenebilirlik açısından karşılaştırmalı analizini gerçekleştirerek, algoritma seçimi ve tasarımı için önemli rehberlik sağlıyor.