في عالم الذكاء الاصطناعي، تُعتبر خوارزمية قوة Pareto التطورية الثانية (SPEA2) من أبرز الخوارزميات المستخدمة في حل مشكلات تحسين الأهداف المتعددة. ومع ذلك، لطالما كانت التحليلات النظرية لهذه الخوارزمية ناقصة. في دراسة حديثة، تم إجراء تحليل زمني شامل لخوارزمية SPEA2، مع التركيز على المكونات التي تتعامل مع الحلول المهيمنة وغير المهيمنة.

اللعبة تغيرت مع ظهور الحاجة إلى خوارزمية جديدة تدعى SPEA2$^+$، التي تأخذ جميع المسافات الزوجية بعين الاعتبار، مما يعزز من قدرتها على الحفاظ على التنوع بين الأفراد المهيمنين. النتائج أظهرت أن استخدام المسافة لأقرب الجيران (k-th nearest-neighbour distance) لم يكن كافيًا لتحقيق التنوع المطلوب، مما أدى إلى تحسين كبير في الأداء.

وبفضل SPEA2$^+$، أصبحت الخوارزمية قادرة على تحقيق نفس عدالة الأداء التي تتمتع بها الخوارزميات الشهيرة مثل NSGA-II وNSGA-III، لكنها تحافظ أيضًا على الأداء الأصلي لـ SPEA2 في السيناريوهات الأبسط. إن النتائج التجريبية تدعم هذه الاستنتاجات النظرية، مما يجعل SPEA2$^+$ خيارًا مثيرًا للاهتمام للمستقبل.

إذا كنت من عشاق خوارزميات الذكاء الاصطناعي وتبحث عن طرق جديدة لتحسين الأداء، فإن SPEA2$^+$ قد تكون الإجابة المثلى بالنسبة لك. هل تعتقد أن هذه الخوارزمية ستغير مجرى بحوث تحسين الأهداف المتعددة؟ شاركونا آراءكم في التعليقات!