ในวิทยาการคอมพิวเตอร์และการวิจัยเชิงปฏิบัติการอัลกอริทึมแบบเมเมติก (MA) คือส่วนขยายของอัลกอริทึมเชิงวิวัฒนาการ (EA) ที่มุ่งเร่งความเร็วในการค้นหาค่าที่เหมาะสมที่สุด แบบวิวัฒนาการ EA คือเมตาฮิวริสติกที่จำลองหลักการพื้นฐานของวิวัฒนาการทางชีววิทยามาเป็นอัลกอริทึมคอมพิวเตอร์เพื่อแก้ปัญหาการหาค่า ที่เหมาะสมที่สุด หรือการวางแผนที่ท้าทาย อย่างน้อยก็โดยประมาณ MA ใช้ฮิวริสติกหรือ เทคนิค การค้นหาเฉพาะที่ที่ เหมาะสมอย่างน้อยหนึ่งอย่าง เพื่อปรับปรุงคุณภาพของคำตอบที่สร้างโดย EA และเพื่อเร่งความเร็วในการค้นหา ผลกระทบต่อความน่าเชื่อถือของการค้นหาค่าที่เหมาะสมที่สุดทั่วโลกนั้นขึ้นอยู่กับทั้งกรณีการใช้งานและการออกแบบของ MA

อัลกอริทึมแบบเมเมติกเป็นหนึ่งในสาขาการวิจัยที่กำลังเติบโตอย่างรวดเร็วในด้านการคำนวณเชิงวิวัฒนาการคำว่า MA ในปัจจุบันถูกใช้กันอย่างแพร่หลายในฐานะการผสมผสานระหว่างวิธีการเชิงวิวัฒนาการหรือวิธีการใดๆ ที่ใช้ประชากรเป็นพื้นฐาน กับกระบวนการเรียนรู้แบบรายบุคคลหรือการปรับปรุงเฉพาะที่แยกต่างหากสำหรับการค้นหาปัญหา บ่อยครั้งที่ในเอกสารทางวิชาการ MA ถูกกล่าวถึงในชื่ออื่นๆ เช่น อัลกอริทึมเชิงวิวัฒนาการแบบบอลด์วิน อัลกอริทึมเชิงวิวัฒนาการแบบลามาร์ค อัลกอริทึมเชิงวัฒนธรรม หรือการค้นหาเฉพาะที่แบบพันธุกรรม

ได้รับแรงบันดาลใจจากทั้งหลักการวิวัฒนาการตามธรรมชาติของดาร์วินและแนวคิดเรื่องมีมของดอว์กินส์คำว่าอัลกอริทึมแบบมีม (MA) ได้รับการแนะนำโดยPablo Moscatoในรายงานทางเทคนิคของเขา^{[ 1 ]}ในปี 1989 โดยเขาเห็นว่า MA ใกล้เคียงกับรูปแบบหนึ่งของอัลกอริทึมทางพันธุกรรมแบบไฮบริด ที่ใช้ประชากร (GA) ควบคู่ไปกับกระบวนการเรียนรู้ของแต่ละบุคคลที่สามารถทำการปรับปรุงในระดับท้องถิ่นได้ ความคล้ายคลึงเชิง อุปมาอุปไมยในด้านหนึ่งกับวิวัฒนาการของดาร์วิน และในอีกด้านหนึ่งระหว่างมีมและฮิวริสติกเฉพาะโดเมน (การค้นหาในระดับท้องถิ่น) ถูก จับไว้ในอัลกอริทึมแบบมีม ทำให้เกิดวิธีการที่สมดุลระหว่างความเป็นทั่วไปและความเฉพาะเจาะจงของปัญหา ลักษณะสองขั้นตอนนี้ทำให้เป็นกรณีพิเศษของวิวัฒนาการแบบสองเฟส

แนวคิดพื้นฐานของ MA คือการรวมข้อดีของการค้นหาแบบทั่วโลกที่ดำเนินการโดย EA (หรือวิธีการค้นหาแบบทั่วโลกอื่นๆ) เข้ากับการปรับแต่งเฉพาะที่โดยเทคนิคการค้นหาเฉพาะที่อย่างน้อยหนึ่งวิธี ในขณะเดียวกันก็หลีกเลี่ยงข้อเสียของวิธีการเหล่านั้น ข้อเสียหลักของ EA คือ เมื่อค้นหาในบริเวณใกล้เคียงกับค่าที่เหมาะสมที่สุด พวกมันจะทำงานได้ไม่ดีในการระบุตำแหน่งที่แน่นอนของค่าที่เหมาะสมที่สุดนั้น ข้อเสียของวิธีการค้นหาเฉพาะที่นั้นอยู่ที่ขอบเขตการค้นหาที่สัมพันธ์กับจุดเริ่มต้นที่เลือก การรวมวิธีการทั้งสองประเภทนี้มีจุดมุ่งหมายเพื่อผสานการค้นหาแบบทั่วโลกและการค้นหาเฉพาะที่เข้าด้วยกัน เพื่อให้สามารถใช้ประโยชน์จากข้อดีของทั้งสองแนวทางได้

แนวคิดของวิธีการนี้สามารถแสดงให้เห็นได้ด้วยการค้นหาภูเขาที่สูงที่สุดในเทือกเขาแอลป์วิธีการค้นหาแบบท้องถิ่นจะปีนขึ้นไปบนภูเขาลูกใดลูกหนึ่งที่อยู่ใกล้จุดเริ่มต้น โดยไม่สนใจมงต์บล็องตราบใดที่จุดเริ่มต้นไม่ได้อยู่ในบริเวณใกล้เคียง ในทางกลับกัน EA มีแนวโน้มที่จะพบมงต์บล็องก็ต่อเมื่อตรวจสอบภูเขา หุบเขา และเนินเขาอื่นๆ อีกมากมาย และจากนั้นก็จะมีปัญหาในการระบุไม้กางเขนบนยอดเขา อย่างไรก็ตาม จากมุมมองของขั้นตอนการค้นหาแบบทั่วโลกของ MA จะเห็นเฉพาะยอดเขาและเนินเขาเท่านั้น และการค้นหาจะจำกัดอยู่เพียงการหายอดเขาที่ดีที่สุด คำถามที่เปิดกว้างคือความพยายามเพิ่มเติมที่จำเป็นสำหรับการค้นหาแบบท้องถิ่นนั้นคุ้มค่าหรือไม่ สิ่งนี้ขึ้นอยู่กับไม่เพียงแต่การออกแบบของ MA เท่านั้น แต่ยังขึ้นอยู่กับการใช้งานเฉพาะและวิธีการค้นหาแบบท้องถิ่นที่ใช้ด้วย^{[ 2 ] [ 3 ]} ในบริบทของการเพิ่มประสิทธิภาพที่ซับซ้อน มีการรายงานการใช้งานอัลกอริธึมแบบเมเมติกที่แตกต่างกันมากมายใน โดเมนการใช้งานที่หลากหลายโดยทั่วไปแล้วจะลู่เข้าสู่โซลูชันคุณภาพสูงได้อย่างมีประสิทธิภาพมากกว่าคู่เทียบเชิงวิวัฒนาการแบบดั้งเดิม^{[ 4 ]}

โดยทั่วไป การใช้แนวคิดของมีมิกส์ภายในกรอบการคำนวณเรียกว่าการคำนวณแบบมีมิกส์หรือการคำนวณแบบมีมิกส์ (MC) ^{[ 5 ] [ 6 ]}ด้วย MC คุณลักษณะของดาร์วินิสม์สากลจะถูกจับได้อย่างเหมาะสมยิ่งขึ้น เมื่อมองจากมุมมองนี้ MA จึงเป็นแนวคิดที่จำกัดกว่าของ MC โดยเฉพาะอย่างยิ่ง MA ครอบคลุมพื้นที่หนึ่งของ MC โดยเฉพาะอย่างยิ่งที่เกี่ยวข้องกับพื้นที่ของอัลกอริธึมวิวัฒนาการที่ผสานเทคนิคการปรับปรุงเชิงกำหนดอื่นๆ เพื่อแก้ปัญหาการเพิ่มประสิทธิภาพ MC ขยายแนวคิดของมีมเพื่อครอบคลุมเอนทิตีเชิงแนวคิดของกระบวนการหรือการแสดงความรู้ที่ได้รับการปรับปรุง

ทฤษฎีบทไม่มีอาหารกลางวันฟรีของการเพิ่มประสิทธิภาพและการค้นหา^{[ 7 ] [ 8 ]}ระบุว่ากลยุทธ์การเพิ่มประสิทธิภาพทั้งหมดมีประสิทธิภาพเท่าเทียมกันเมื่อเทียบกับชุดของปัญหาการเพิ่มประสิทธิภาพทั้งหมด ในทางกลับกัน หมายความว่าเราสามารถคาดหวังสิ่งต่อไปนี้ได้: ยิ่งอัลกอริทึมแก้ปัญหาหรือกลุ่มของปัญหาได้อย่างมีประสิทธิภาพมากเท่าใด อัลกอริทึมนั้นก็จะยิ่งมีความทั่วไปน้อยลงและยิ่งต้องอาศัยความรู้เฉพาะปัญหามากขึ้นเท่านั้น ความเข้าใจนี้นำไปสู่คำแนะนำโดยตรงให้เสริมเมตาฮิวริสติกส์ที่ใช้ได้ทั่วไปด้วยวิธีการหรือฮิวริสติกส์เฉพาะแอปพลิเคชัน^{[ 9 ]}ซึ่งสอดคล้องกับแนวคิดของ MA เป็นอย่างดี

Pablo Moscato อธิบาย MA ดังนี้: " อัลกอริทึมเมเมติกเป็นการผสมผสานระหว่างการค้นหาทั่วโลกแบบอิงประชากรและการค้นหาเฉพาะที่แบบฮิวริสติกที่แต่ละบุคคลทำ ... กลไกในการค้นหาเฉพาะที่สามารถบรรลุจุดเหมาะสมที่สุดเฉพาะที่หรือปรับปรุง (เกี่ยวกับฟังก์ชันต้นทุนเป้าหมาย) ไปจนถึงระดับที่กำหนดไว้ล่วงหน้า " และเขาย้ำว่า " ฉันไม่ได้จำกัด MA ไว้กับการแสดงทางพันธุกรรม " ^{[ 1 ] : 19–20} คำจำกัดความดั้งเดิมของ MA นี้ แม้ว่าจะครอบคลุมลักษณะของวิวัฒนาการทางวัฒนธรรม (ในรูปแบบของการปรับปรุงเฉพาะที่) ในวงจรการค้นหา แต่มันอาจไม่เข้าข่ายเป็นระบบวิวัฒนาการที่แท้จริงตามทฤษฎีวิวัฒนาการของดาร์วินสากลเนื่องจากขาดหลักการสำคัญทั้งหมดของการสืบทอด/การถ่ายทอดเมเมติก ความแปรผัน และการคัดเลือก นี่แสดงให้เห็นว่าทำไมคำว่า MA จึงก่อให้เกิดคำวิจารณ์และข้อโต้แย้งในหมู่นักวิจัยเมื่อมีการนำเสนอครั้งแรก^{[ 1 ]}รหัสเทียมต่อไปนี้จะสอดคล้องกับคำจำกัดความทั่วไปของ MA นี้:

รหัสเทียม

ขั้นตอนการทำงานของอัลกอริธึมมีเมติก เริ่มต้น:สร้างประชากรเริ่มต้น ประเมินแต่ละบุคคลและกำหนดค่าคุณภาพให้กับพวกเขา ในขณะที่เงื่อนไขการหยุดไม่เป็นไปตามที่กำหนดให้พัฒนาประชากรใหม่โดยใช้ตัวดำเนินการค้นหาแบบสุ่ม ประเมินแต่ละบุคคลในประชากรและกำหนดค่าคุณภาพให้กับพวกเขา เลือกกลุ่มย่อยของบุคคล${\displaystyle \Omega _{il}}$ที่ควรได้รับการปรับปรุงในแต่ละบุคคล สำหรับแต่ละบุคคลในให้${\displaystyle \Omega _{il}}$ดำเนินการเรียนรู้ของแต่ละบุคคลโดยใช้มีม (meme) ด้วยความถี่หรือความน่าจะเป็น${\displaystyle f_{il}}$และความเข้มข้น${\displaystyle t_{il}}$ ดำเนินการเรียนรู้แบบลามาร์คหรือแบบบอลด์วิน ทำซ้ำไปเรื่อยๆ

ในบริบทนี้ การเรียนรู้แบบลามาร์คหมายถึงการปรับปรุงโครโมโซมตามวิธีการแก้ปัญหาที่ดีขึ้นที่พบโดยขั้นตอนการเรียนรู้ของแต่ละบุคคล ในขณะที่การเรียนรู้แบบบอลด์วินจะไม่เปลี่ยนแปลงโครโมโซมและใช้เฉพาะค่าความเหมาะสม ที่ดีขึ้นเท่านั้น รหัสเทียมนี้ยังไม่ได้ระบุว่าขั้นตอนใดบ้างที่อิงตามค่าความเหมาะสมของแต่ละบุคคลและขั้นตอนใดบ้างที่ไม่ใช่ ประเด็นที่กำลังพิจารณาอยู่คือการพัฒนาประชากรใหม่และการคัดเลือก ${\displaystyle \Omega _{il}}$

เนื่องจากการใช้งาน MA ส่วนใหญ่ขึ้นอยู่กับ EA ดังนั้นรหัสเทียมของตัวแทนที่สอดคล้องกันของรุ่นแรกจึงแสดงไว้ที่นี่ด้วย ตาม Krasnogor: ^{[ 10 ]}

รหัสเทียม

ขั้นตอนการทำงานของอัลกอริธึมเชิงมีมโดยอิงจากการเริ่มต้น EA : ; // การเริ่มต้นตัวนับรุ่น${\displaystyle t=0}$ สร้างประชากรเริ่มต้นแบบสุ่ม;${\displaystyle P(t)}$ คำนวณค่าความเหมาะสม; ในขณะที่เงื่อนไขการหยุดไม่เป็นไป ตามที่กำหนดให้ทำการเลือก:เลือกกลุ่มย่อยของและเก็บไว้ใน; ลูกหลาน:ผสมและกลายพันธุ์แต่ละบุคคลและเก็บไว้ใน; การเรียนรู้:ปรับปรุงโดยการค้นหาแบบโลคอลหรือฮิวริสติก ; การประเมิน:คำนวณค่าความเหมาะสม; ถ้าเป็นการเรียนรู้แบบลามาร์คให้ปรับปรุงโครโมโซมของตามการปรับปรุง; fi รุ่นใหม่: สร้างโดยการเลือกบุคคลบางส่วนจากและ; ; // เพิ่มตัวนับรุ่น สิ้นสุด while ส่งคืนบุคคลที่ดีที่สุดเป็นผลลัพธ์ ${\displaystyle f(p)\ \ \forall p\in P(t)}$${\displaystyle f(p)}$${\displaystyle P(t)}$${\displaystyle M(t)}$${\displaystyle p\in M(t)}$${\displaystyle M'(t)}$${\displaystyle p'}$${\displaystyle \forall p'\in M'(t)}$${\displaystyle f(p')\ \ \forall p'\in M'(t)}$${\displaystyle p'}$${\displaystyle \forall p'\in M'(t)}$${\displaystyle P(t+1)}$${\displaystyle P(t)}$${\displaystyle M'(t)}$${\displaystyle t=t+1}$${\displaystyle p\in P(t-1)}$

มีทางเลือกอื่นสำหรับโครงการปริญญาโทนี้ ตัวอย่างเช่น:

• บุคคลเริ่มต้นทั้งหมดหรือบางส่วนอาจได้รับการพัฒนาให้ดีขึ้นด้วยมีมเหล่านั้น
• อาจปรับปรุงพันธุ์พ่อแม่ในพื้นที่แทนที่จะเป็นลูกหลาน
• แทนที่จะปรับปรุงลูกหลานทั้งหมด อาจเลือกเพียงส่วนน้อยที่ถูกเลือกแบบสุ่มหรือขึ้นอยู่กับความเหมาะสมของประชากรเท่านั้น ซึ่งในกรณีหลังนี้ จำเป็นต้องมีการประเมินลูกหลานก่อนขั้นตอนการเรียนรู้${\displaystyle M'(t)}$

MA แบบมัลติมีม^{[ 11 ]}ไฮเปอร์ฮิวริสติก^{[ 12 ] [ 13 ]}และเมตา-ลามาร์คian MA ^{[ 2 ] [ 3 ]}ถูกเรียกว่า MA รุ่นที่สองที่แสดงหลักการของการส่งต่อและการคัดเลือกแบบมีมในการออกแบบ ใน MA แบบมัลติมีม วัสดุมีมจะถูกเข้ารหัสเป็นส่วนหนึ่งของจีโนไทป์ต่อมา มีมที่ถอดรหัสแล้วของแต่ละบุคคล/ โครโมโซมจะถูกนำมาใช้เพื่อทำการปรับปรุงในระดับท้องถิ่น วัสดุมีมจะถูกส่งผ่านกลไกการสืบทอดแบบง่ายจากพ่อแม่ไปยังลูกหลาน ในทางกลับกัน ใน MA แบบไฮเปอร์ฮิวริสติกและเมตา-ลามาร์คian กลุ่มของมีมที่พิจารณาจะแข่งขันกันโดยอิงจากคุณสมบัติในอดีตในการสร้างการปรับปรุงในระดับท้องถิ่นผ่านกลไกการให้รางวัล เพื่อตัดสินใจว่าจะเลือกมีมใดเพื่อดำเนินการปรับปรุงในระดับท้องถิ่นต่อไป มีมที่มีรางวัลสูงกว่าจะมีโอกาสมากขึ้นที่จะถูกนำมาใช้ต่อไป สำหรับการทบทวนเกี่ยวกับ MA รุ่นที่สอง กล่าวคือ MA พิจารณาวิธีการเรียนรู้ส่วนบุคคลหลายวิธีภายในระบบวิวัฒนาการ ผู้อ่านสามารถอ้างอิงถึงได้^{[ 14 ]}

การวิวัฒนาการร่วม^{[ 15 ]}และ MA ที่สร้างตัวเอง^{[ 16 ]}อาจถือได้ว่าเป็น MA รุ่นที่ 3 ซึ่งหลักการทั้งสามที่ตรงตามคำจำกัดความของระบบวิวัฒนาการพื้นฐานได้รับการพิจารณาแล้ว ในทางตรงกันข้ามกับ MA รุ่นที่ 2 ซึ่งถือว่ามีมที่จะใช้นั้นเป็นที่รู้จักล่วงหน้า MA รุ่นที่ 3 ใช้การค้นหาแบบโลคอลตามกฎเพื่อเสริมโซลูชันที่เป็นไปได้ภายในระบบวิวัฒนาการ จึงสามารถจับคุณลักษณะหรือรูปแบบที่ซ้ำกันอย่างสม่ำเสมอในพื้นที่ปัญหาได้

วิธีการเรียนรู้/มีมที่ใช้มีผลกระทบอย่างมากต่อผลลัพธ์การปรับปรุง ดังนั้นจึงต้องระมัดระวังในการตัดสินใจว่าจะใช้มีมใดหรือหลายมีมสำหรับปัญหาการเพิ่มประสิทธิภาพเฉพาะ^{[ 12 ] [ 14 ] [ 17 ]}ความถี่และความเข้มข้นของการเรียนรู้ของแต่ละบุคคลกำหนดระดับวิวัฒนาการ (การสำรวจ) เทียบกับการเรียนรู้ของแต่ละบุคคล (การใช้ประโยชน์) ในการค้นหา MA โดยตรง ภายใต้งบประมาณการคำนวณที่จำกัดที่กำหนดไว้ เห็นได้ชัดว่าการเรียนรู้ของแต่ละบุคคลที่เข้มข้นกว่าจะเพิ่มโอกาสในการบรรจบกันไปยังจุดเหมาะสมที่สุดในท้องถิ่น แต่จะจำกัดปริมาณวิวัฒนาการที่อาจเกิดขึ้นได้โดยไม่ต้องใช้ทรัพยากรการคำนวณมากเกินไป ดังนั้นจึงต้องระมัดระวังเมื่อตั้งค่าพารามิเตอร์ทั้งสองนี้เพื่อให้สมดุลกับงบประมาณการคำนวณที่มีอยู่เพื่อให้ได้ประสิทธิภาพการค้นหาสูงสุด เมื่อมีเพียงส่วนหนึ่งของประชากรของแต่ละบุคคลเท่านั้นที่ได้รับการเรียนรู้ จำเป็นต้องพิจารณาประเด็นว่าควรปรับปรุงกลุ่มย่อยใดของแต่ละบุคคลเพื่อเพิ่มประโยชน์สูงสุดของการค้นหา MA สุดท้ายแต่ไม่ท้ายที่สุด ต้องตัดสินใจว่าควรเปลี่ยนแต่ละบุคคลตามความสำเร็จในการเรียนรู้ (การเรียนรู้แบบลามาร์ค) หรือไม่ (การเรียนรู้แบบบอลด์วิน) ดังนั้น คำถามการออกแบบห้าข้อต่อไปนี้^{[ 3 ] [ 17 ] [ 18 ]}จะต้องได้รับการตอบ ซึ่งข้อแรกจะได้รับการแก้ไขโดยตัวแทนรุ่นที่ 2 ทั้งหมดข้างต้นในระหว่างการดำเนินการ MA ในขณะที่รูปแบบขยายของการเรียนรู้แบบเมตา-ลามาร์คของ^{[ 3 ]}จะขยายสิ่งนี้ไปสู่การตัดสินใจออกแบบสี่ข้อแรก

ในบริบทของการเพิ่มประสิทธิภาพอย่างต่อเนื่อง การเรียนรู้แบบรายบุคคลมีอยู่ในรูปแบบของฮิวริสติกส์เฉพาะที่หรือวิธีการแจงนับที่แม่นยำแบบดั้งเดิม^{[ 19 ]}ตัวอย่างของกลยุทธ์การเรียนรู้แบบรายบุคคล ได้แก่การปีนเขาวิธีซิมเพล็กซ์ วิธีนิวตัน/ควาซี-นิวตันวิธีจุดภายในวิธีไล่ระดับคอนจูเกตการค้นหาเส้น และฮิวริสติกส์เฉพาะที่อื่นๆ โปรดทราบว่าวิธีการเรียนรู้แบบรายบุคคลทั่วไปส่วนใหญ่เป็นแบบกำหนดได้

ในทางกลับกัน ในการเพิ่มประสิทธิภาพเชิงการจัดเรียง วิธีการเรียนรู้แบบเฉพาะบุคคลมักมีอยู่ในรูปแบบของฮิวริสติก (ซึ่งอาจเป็นแบบกำหนดได้หรือแบบสุ่ม) ที่ปรับให้เหมาะสมกับปัญหาที่สนใจโดยเฉพาะ ขั้นตอนและแผนการฮิวริสติกทั่วไป ได้แก่ การแลกเปลี่ยนยีน k การแลกเปลี่ยนขอบ การปรับปรุงครั้งแรก และอื่นๆ อีกมากมาย

หนึ่งในประเด็นแรกๆ ที่เกี่ยวข้องกับการออกแบบอัลกอริธึมแบบมีเมติกคือการพิจารณาว่าควรใช้การเรียนรู้ของแต่ละบุคคลบ่อยแค่ไหน กล่าวคือ ความถี่ในการเรียนรู้ของแต่ละบุคคล ในกรณีหนึ่ง^{[ 17 ]}ได้มีการพิจารณาผลกระทบของความถี่ในการเรียนรู้ของแต่ละบุคคลต่อประสิทธิภาพการค้นหา MA โดยมีการตรวจสอบการกำหนดค่าต่างๆ ของความถี่ในการเรียนรู้ของแต่ละบุคคลในขั้นตอนต่างๆ ของการค้นหา MA ในทางกลับกัน มีการแสดงให้เห็นในที่อื่น^{[ 20 ]}ว่าอาจคุ้มค่าที่จะใช้การเรียนรู้ของแต่ละบุคคลกับแต่ละบุคคลหากความซับซ้อนในการคำนวณของการเรียนรู้ของแต่ละบุคคลค่อนข้างต่ำ

ในประเด็นการเลือกบุคคลที่เหมาะสมในกลุ่มประชากร EA ที่ควรได้รับการเรียนรู้แบบรายบุคคล ได้มีการศึกษาถึงกลยุทธ์ตามความเหมาะสมและตามการกระจายตัวเพื่อปรับความน่าจะเป็นของการใช้การเรียนรู้แบบรายบุคคลกับประชากรโครโมโซมในปัญหาการค้นหาพารามิเตอร์แบบต่อเนื่อง โดย Land ^{[ 21 ]}ได้ขยายงานไปสู่ ปัญหา การเพิ่มประสิทธิภาพเชิงรวม Bambha et al. ได้แนะนำเทคนิคการให้ความร้อนจำลองเพื่อบูรณาการการเรียนรู้แบบรายบุคคลที่มีพารามิเตอร์เข้ากับอัลกอริทึมวิวัฒนาการอย่างเป็นระบบเพื่อให้ได้คุณภาพโซลูชันสูงสุด^{[ 22 ]}

ความเข้มข้นของการเรียนรู้รายบุคคลคือปริมาณงบประมาณการคำนวณที่จัดสรรให้กับการเรียนรู้รายบุคคลในแต่ละรอบ กล่าวคือ งบประมาณการคำนวณสูงสุดที่อนุญาตให้ใช้สำหรับการเรียนรู้รายบุคคลเพื่อปรับปรุงโซลูชันเดียว ${\displaystyle t_{il}}$

จะต้องตัดสินใจว่าการปรับปรุงที่พบนั้นจะทำงานได้เฉพาะกับความเหมาะสมที่ดีขึ้น (การเรียนรู้แบบ Baldwinian) หรือว่าแต่ละบุคคลจะปรับตัวให้เหมาะสมด้วย (การเรียนรู้แบบ Lamarckian) ในกรณีของ EA นี่หมายถึงการปรับจีโนไทป์ คำถามนี้ได้รับการถกเถียงกันอย่างมากในวรรณกรรมเกี่ยวกับ EA ในช่วงทศวรรษ 1990 โดยระบุว่ากรณีการใช้งานเฉพาะมีบทบาทสำคัญ^{[ 23 ] [ 24 ] [ 25 ]}เบื้องหลังการถกเถียงคือการปรับตัวของจีโนมอาจส่งเสริมการบรรจบกันก่อนกำหนดความเสี่ยงนี้สามารถบรรเทาได้อย่างมีประสิทธิภาพด้วยมาตรการอื่น ๆ เพื่อสร้างสมดุลที่ดีขึ้นระหว่างการค้นหาแบบกว้างและแบบลึก เช่น การใช้ประชากรที่มีโครงสร้าง^{[ 3 ]}

อัลกอริทึมแบบมีมิกส์ได้รับการประยุกต์ใช้ประสบความสำเร็จในปัญหาต่างๆ ในโลกแห่งความเป็นจริงมากมาย แม้ว่าหลายคนจะใช้เทคนิคที่เกี่ยวข้องกับอัลกอริทึมแบบมีมิกส์อย่างใกล้ชิด แต่ ก็มีการใช้ ชื่ออื่น เช่นอัลกอริทึมพันธุกรรมแบบผสมผสาน ด้วยเช่นกัน

นักวิจัยได้ใช้อัลกอริธึมแบบมีมิกส์เพื่อแก้ ปัญหา NP คลาสสิกหลาย ปัญหา ตัวอย่างเช่นการแบ่งกราฟ ปัญหา เป้สะพายหลังหลายมิติปัญหาพนักงานขายเดินทางปัญหาการจัดสรรกำลังสองปัญหาการ ครอบคลุม เซต การ ระบายสีกราฟขั้นต่ำปัญหาเซตอิสระสูงสุดปัญหาการบรรจุลงถังและปัญหา การจัดสรรทั่วไป

แอปพลิเคชันล่าสุด ได้แก่ (แต่ไม่จำกัดเพียง) การวิเคราะห์ธุรกิจและวิทยาศาสตร์ข้อมูล [ ^{4 ]}การฝึกอบรมเครือข่ายประสาทเทียม [ ^{26 ] การ}จดจำรูปแบบ^{[ 27 ]}การวางแผนการเคลื่อนที่ของหุ่นยนต์^{[ 28 ] การ}วางแนวลำแสง^{[ 29 ]}การออกแบบวงจร^{[ 30 ]}การฟื้นฟูบริการไฟฟ้า^{[ 31 ]}ระบบผู้เชี่ยวชาญทางการแพทย์[ ^{32 ]}การจัดตารางเวลาเครื่องจักรเดี่ยว^{[ 33 ] การ จัด}ตารางเวลาอัตโนมัติ (โดยเฉพาะตารางเวลาสำหรับNHL ) ^{[ 34 ]}การจัดตารางเวลาบุคลากร [ ^{35 ]}การเพิ่มประสิทธิภาพการจัดเวรพยาบาล^{[ 36 ]}การจัดสรรโปรเซสเซอร์ [ ^{37 ]}การจัดตารางเวลาการบำรุงรักษา (เช่น เครือข่ายการกระจายไฟฟ้า) ^{[ 38 ]}การจัดตาราง เวลา เวิร์กโฟลว์หลายรายการให้กับทรัพยากรที่ไม่เหมือนกันที่มีข้อจำกัด^{[ 39 ] ปัญหา}เป้สะพายหลังหลาย^{มิติ[ 40 ]} VLSIการออกแบบ^{[ 41 ]}การจัดกลุ่มโปรไฟล์ การแสดงออก ^ของยีน [ ^{42 ]}การเลือกคุณลักษณะ/ยีน^{[ 43 ] [ 44 ]}การกำหนดพารามิเตอร์สำหรับการฉีดข้อผิดพลาดของฮาร์ดแวร์^{[ 45 ] และการ เลือก}คุณลักษณะหลายคลาสหลายวัตถุประสงค์[ ^{46 ] [ 47 ]}

• การประชุมเชิงปฏิบัติการ IEEE ว่าด้วยอัลกอริทึมแบบเมเมติก (WOMA 2009) ประธานโครงการ: Jim Smith, มหาวิทยาลัยเวสต์ออฟอิงแลนด์, สหราชอาณาจักร; Yew-Soon Ong, มหาวิทยาลัยเทคโนโลยีหนานยาง, สิงคโปร์; Gustafson Steven, มหาวิทยาลัยนอตติงแฮม, สหราชอาณาจักร; Meng Hiot Lim, มหาวิทยาลัยเทคโนโลยีหนานยาง, สิงคโปร์; Natalio Krasnogor, มหาวิทยาลัยนอตติงแฮม, สหราชอาณาจักร
• วารสาร Memetic Computing Journalฉบับแรกตีพิมพ์ในเดือนมกราคม พ.ศ. 2552
• การประชุมวิชาการระดับโลกด้านปัญญาประดิษฐ์เชิงคำนวณของ IEEE ประจำปี 2008 (WCCI 2008)ณ ฮ่องกงหัวข้อพิเศษเกี่ยวกับอัลกอริทึมแบบเมเมติก
• ฉบับพิเศษเรื่อง 'แนวโน้มที่กำลังเกิดขึ้นใน Soft Computing - อัลกอริทึมแบบมีเมติก' เก็บถาวรเมื่อวันที่ 27 กันยายน 2011 ที่Wayback Machineวารสาร Soft Computing Journal เสร็จสมบูรณ์และอยู่ระหว่างการตีพิมพ์ ปี 2008
• IEEE Computational Intelligence Society Emergent Technologies Task Force on Memetic Computing เก็บถาวรเมื่อ 2011-09-27 ที่Wayback Machine
• การประชุมวิชาการ IEEE Congress on Evolutionary Computation (CEC 2007)ประเทศสิงคโปร์หัวข้อพิเศษเกี่ยวกับอัลกอริธึมเชิงมีม (Memetic Algorithms )
• 'การคำนวณแบบมีเมติก'โดยตัวชี้วัดวิทยาศาสตร์ที่สำคัญของ Thomson Scientific เป็นพื้นที่วิจัยแนวหน้าใหม่ที่กำลังมาแรง
• ฉบับพิเศษว่าด้วยอัลกอริทึมแบบมีเมติกส์ , IEEE Transactions on Systems, Man, and Cybernetics - Part B: Cybernetics, Vol. 37, No. 1, กุมภาพันธ์ 2550
• ความก้าวหน้าล่าสุดในอัลกอริธึมเชิงมีม (Recent Advances in Memetic Algorithms ) ชุด: การศึกษาเรื่องความคลุมเครือและการคำนวณแบบอ่อน (Studies in Fuzziness and Soft Computing) เล่มที่ 166 ISBN 978-3-540-22904-9, 2005.
• ฉบับพิเศษว่าด้วยอัลกอริธึมเชิงมีม , การคำนวณเชิงวิวัฒนาการ ฤดูใบไม้ร่วง 2547, เล่มที่ 12, ฉบับที่ 3: v-vi.