Experimental Methods for the Analysis of Optimization Algorithms

در تحقیقات عملیات و علوم کامپیوتر، ارزیابی عملکرد الگوریتم‌های بهینه‌سازی بر اساس نتایج محاسباتی رایج است و رویکرد تجربی باید از اصول پذیرفته‌شده‌ای پیروی کند که قابلیت اطمینان و تکرارپذیری نتایج را تضمین می‌کند. با این حال، آزمایش‌های محاسباتی با آزمایش‌های سایر علوم متفاوت است و در دهه گذشته تحقیقات روش‌شناختی قابل‌توجهی به درک ویژگی‌های خاص چنین آزمایش‌هایی و ارزیابی روش‌های آماری مرتبط اختصاص داده شده است.

این کتاب شامل مشارکت های روش شناختی در سناریوهای مختلف تحلیل تجربی است. بخش اول به بررسی اجمالی مسائل اصلی در تحلیل تجربی الگوریتم‌ها می‌پردازد و چرخه آزمایشی توسعه الگوریتم را مورد بحث قرار می‌دهد. بخش دوم به توصیف خصوصیات با استفاده از توزیع های آماری عملکرد الگوریتم از نظر کیفیت راه حل، زمان اجرا و سایر معیارها می پردازد. و بخش سوم روش‌های پیشرفته‌ای را از طراحی آزمایشی برای پیکربندی و تنظیم الگوریتم‌ها بر روی یک کلاس خاص از نمونه‌ها با هدف استفاده از کمترین آزمایش جمع‌آوری می‌کند. فهرست مشارکت‌کنندگان شامل دانشمندان برجسته در طراحی الگوریتم، طراحی آماری، بهینه‌سازی و اکتشافی است و بیشتر فصل‌ها پیش‌زمینه نظری ارائه می‌دهند و با مطالعات موردی غنی شده‌اند.

این کتاب برای محققان و دست اندرکاران تحقیق در عملیات و علوم کامپیوتر نوشته شده است که مایل به بهبود ارزیابی تجربی الگوریتم های بهینه سازی و در نتیجه طراحی آنها هستند.

In operations research and computer science it is common practice to evaluate the performance of optimization algorithms on the basis of computational results, and the experimental approach should follow accepted principles that guarantee the reliability and reproducibility of results. However, computational experiments differ from those in other sciences, and the last decade has seen considerable methodological research devoted to understanding the particular features of such experiments and assessing the related statistical methods.

This book consists of methodological contributions on different scenarios of experimental analysis. The first part overviews the main issues in the experimental analysis of algorithms, and discusses the experimental cycle of algorithm development; the second part treats the characterization by means of statistical distributions of algorithm performance in terms of solution quality, runtime and other measures; and the third part collects advanced methods from experimental design for configuring and tuning algorithms on a specific class of instances with the goal of using the least amount of experimentation. The contributor list includes leading scientists in algorithm design, statistical design, optimization and heuristics, and most chapters provide theoretical background and are enriched with case studies.

This book is written for researchers and practitioners in operations research and computer science who wish to improve the experimental assessment of optimization algorithms and, consequently, their design.