Il est courant de trouver plusieurs métaheuristiques pour résoudre des problèmes d'optimisation continue. Cependant, choisir quel optimiseur peut obtenir les meilleurs résultats pour une tâche donnée nécessite des évaluations exhaustives qui dépendent fortement de l'application. En outre, il est nécessaire de trouver des paramètres de réglage suffisamment bons pour obtenir des performances satisfaisantes avec l'approche sélectionnée. Dans ce contexte, la conception automatique des algorithmes, en particulier ceux basés sur l'heuristique, a gagné en popularité au cours des années précédentes en raison de sa pertinence incontestable de nos jours. Cet article explore une nouvelle approche basée sur l'hyper-heuristique pour sélectionner soigneusement les opérateurs de recherche basés sur la population et leurs paramètres de réglage pour générer des métaheuristiques capables de traiter un problème d'ingénierie pratique donné. La stratégie proposée est évaluée à l'aide de trois problèmes hautement pertinents et illustratifs : la formation de réseaux de neurones artificiels, la conception de contrôleurs PID et la modélisation d'un phénomène calorimétrique basé sur le calcul fractionnaire. En outre, nous mettons en œuvre trois métaheuristiques d'optimisation bien connues pour comparer les solutions obtenues via la stratégie hyperheuristique proposée, à savoir l'optimisation de l'essaim de particules, l'algorithme génétique et la recherche de coucous. Les résultats de tests numériques approfondis prouvent que les métaheuristiques personnalisées sont généralement supérieures aux trois algorithmes bien connus, ne prenant que quelques itérations pour converger vers une solution optimale. C'est un excellent indicateur de l'allègement des efforts et de l'expertise nécessaires pour choisir la bonne méthodologie face aux problèmes d'optimisation à valeur réelle.

Es común encontrar múltiples metaheurísticas para resolver problemas de optimización continua. Sin embargo, elegir qué optimizador puede obtener los mejores resultados para una tarea determinada requiere evaluaciones exhaustivas que dependen en gran medida de la aplicación. Además, es necesario encontrar parámetros de ajuste suficientemente buenos para lograr un rendimiento satisfactorio con el enfoque seleccionado. En este contexto, el diseño automático de algoritmos, en particular los basados en heurística, ha ido ganando popularidad en los años anteriores debido a su indudable relevancia en la actualidad. Este documento explora un enfoque novedoso basado en hiperheurísticas para seleccionar cuidadosamente los operadores de búsqueda basados en la población y sus parámetros de ajuste para generar metaheurísticas capaces de tratar un problema de ingeniería práctico dado. La estrategia propuesta se evalúa utilizando tres problemas altamente relevantes e ilustrativos: entrenamiento de Redes Neuronales Artificiales, diseño de controladores PID y modelado de un fenómeno calorimétrico basado en cálculo fraccionario. Además, implementamos tres metaheurísticas de optimización bien conocidas para comparar las soluciones logradas a través de la estrategia hiperheurística propuesta, a saber, la optimización del enjambre de partículas, el algoritmo genético y la búsqueda de cucos. Los resultados de extensas pruebas numéricas demuestran que las metaheurísticas personalizadas son generalmente superiores a los tres algoritmos bien conocidos, tomando solo unas pocas iteraciones para converger a una solución óptima. Este es un excelente indicador para aliviar el esfuerzo y la experiencia necesarios para elegir la metodología adecuada cuando se trata de problemas de optimización de valor real.

It is common to find multiple metaheuristics to solve continuous optimization problems. However, choosing what optimizer may obtain the best results for a given task requires exhaustive evaluations that are highly application-dependent. Besides, it is necessary to find sufficiently good tuning parameters to achieve satisfactory performance with the selected approach. In this context, the automatic design of algorithms, particularly those based on heuristics, has been increasing in popularity in the previous years due to its undoubted relevance nowadays. This paper explores a novel approach based on hyper-heuristics to carefully select population-based search operators and their tuning parameters to generate metaheuristics capable of dealing with a given practical engineering problem. The proposed strategy is assessed using three highly relevant and illustrative problems: training Artificial Neural Networks, designing PID controllers, and modeling a calorimetric phenomenon based on fractional calculus. In addition, we implement three well-known optimization metaheuristics to compare achieved solutions via the proposed hyper-heuristic strategy, namely Particle Swarm Optimization, Genetic Algorithm, and Cuckoo Search. Results from extensive numerical tests prove that the customized metaheuristics are generally superior to the three well-known algorithms, taking only a few iterations to converge to an optimal solution. This is an excellent indicator of alleviating the effort and expertise required to choose the proper methodology when dealing with real-valued optimization problems.

من الشائع العثور على دراسات استدلالية متعددة لحل مشكلات التحسين المستمر. ومع ذلك، فإن اختيار المحسن الذي قد يحصل على أفضل النتائج لمهمة معينة يتطلب تقييمات شاملة تعتمد بشكل كبير على التطبيق. إلى جانب ذلك، من الضروري العثور على معلمات ضبط جيدة بما يكفي لتحقيق أداء مرضٍ مع النهج المحدد. في هذا السياق، ازدادت شعبية التصميم التلقائي للخوارزميات، لا سيما تلك القائمة على الاستدلال، في السنوات السابقة بسبب أهميتها التي لا شك فيها في الوقت الحاضر. تستكشف هذه الورقة نهجًا جديدًا يعتمد على فرط الاستدلال لاختيار مشغلي البحث المعتمدين على السكان بعناية ومعلمات الضبط الخاصة بهم لتوليد استدلال فوقي قادر على التعامل مع مشكلة هندسية عملية معينة. يتم تقييم الاستراتيجية المقترحة باستخدام ثلاث مشاكل توضيحية ذات صلة كبيرة: تدريب الشبكات العصبية الاصطناعية، وتصميم وحدات التحكم PID، ونمذجة ظاهرة قياس السعرات الحرارية على أساس حساب التفاضل والتكامل الجزئي. بالإضافة إلى ذلك، نقوم بتنفيذ ثلاثة استدلالات تعريفية للتحسين معروفة لمقارنة الحلول المحققة من خلال استراتيجية فرط الاستدلال المقترحة، وهي تحسين سرب الجسيمات والخوارزمية الوراثية والبحث عن الوقواق. تثبت نتائج الاختبارات العددية المكثفة أن metaheuristics المخصصة تتفوق عمومًا على الخوارزميات الثلاثة المعروفة، ولا تستغرق سوى عدد قليل من التكرارات لتتقارب إلى الحل الأمثل. هذا مؤشر ممتاز للتخفيف من الجهد والخبرة المطلوبة لاختيار المنهجية المناسبة عند التعامل مع مشاكل التحسين ذات القيمة الحقيقية.