Der Beitrag präsentiert einen neuartigen domänenunabhängigen Crossover-Operator für genetische Algorithmen, der auf tiefen neuronalen Netzen und Reinforcement Learning basiert. Der Operator lernt eine stochastische Strategie, um vielversprechende Gene aus mehreren Eltern auszuwählen und so qualitativ hochwertigere Nachkommen zu erzeugen.
Die vorgeschlagene Methode MFT-MES wählt Kandidatenlösungen und Genauigkeitsstufen aus, die nicht nur die Information über den optimalen Wert der aktuellen Aufgabe, sondern auch die Information über die übertragbaren gemeinsamen Modellparameter maximieren. Dies führt zu einer effizienteren Optimierung für spätere Aufgaben.
Eine Bayessche Optimierung, die den Suchraum auf niedrigere Dimensionen beschränkt und eine lokale Gauß-Prozess-Regression (LGPR) verwendet, um die Bayessche Optimierung auf höhere Dimensionen zu skalieren.
Die vorgeschlagene dezentralisierte Riemannsche Konjugierte-Gradienten-Methode (DRCGD) ermöglicht eine effiziente Optimierung über die Stiefel-Mannigfaltigkeit in einem verteilten Szenario, indem sie teure Riemannsche geometrische Operationen wie Retraktionen und Vektortransporte vollständig ersetzt.