🧬 Calcul évolutionnaire

Les algorithmes d'estimation de distribution (EDA) remplacent les opérateurs traditionnels de croisement et de mutation des algorithmes génétiques par l'apprentissage et l'échantillonnage d'un modèle probabiliste. Ma thèse de doctorat et mes premières recherches se sont concentrées sur les fondements théoriques et pratiques des EDA, incluant leur comportement sur différents types de problèmes et l'analyse des modèles qu'ils apprennent.

Je suis co-auteur de la monographie Estimation of Distribution Algorithms: A New Tool for Evolutionary Computation (Springer, 2002) et j'ai largement contribué au domaine par des publications, des tutoriels et des sessions spéciales à GECCO, CEC, PPSN et d'autres conférences.

Recherche sur les EDA pour les problèmes d'optimisation continue, incluant les modèles basés sur la distribution gaussienne, les distributions de probabilité multivariées et les EDA continus basés sur les copules. Applications à l'optimisation paramétrique des centrales géothermiques et d'autres problèmes d'ingénierie.

Recherche visant à comprendre ce que les EDA apprennent : analyse des modèles probabilistes utilisés par les EDA, l'information capturée dans ces modèles, et comment cette information se rapporte à la structure du paysage de fitness.

Développement d'algorithmes évolutionnaires pour la conception automatique d'architectures de réseaux de neurones. Recherche sur la manière de représenter, d'évaluer et de faire évoluer les architectures efficacement, incluant des représentations factorisées qui réduisent l'espace de recherche sans sacrifier l'expressivité.

Recherche sur l'optimisation évolutionnaire des réseaux adverses génératifs (GAN) et des auto-encodeurs variationnels (VAE), incluant l'analyse de l'interaction entre les GAN transférables et les optimiseurs par gradient.

Utilisation de métriques de couverture de neurones comme objectifs pour guider les algorithmes neuroévolutionnaires pour la classification semi-supervisée. Combinaison de la recherche évolutionnaire orientée vers la diversité avec des critères de couverture inspirés des neurosciences.

Recherche sur les méthodes de programmation génétique pour la régression symbolique et l'apprentissage de fonctions. Étude de la manière dont la GP peut découvrir des expressions mathématiques compactes et interprétables à partir de données.

Contribution au Handbook of Evolutionary Machine Learning : chapitre sur l'EML pour l'apprentissage non supervisé, couvrant les approches évolutionnaires du clustering, de la réduction de dimensionnalité et de la modélisation générative.

Recherche sur les algorithmes évolutionnaires pour l'optimisation multi-objectif, incluant NSGA-II, MOEA/D et leurs applications. Benchmarking des MOEA pour les problèmes de RL multi-objectifs continus.

Recherche (en langue basque) sur l'exploitation des informations neuroévolutionnaires : apprendre du passé pour construire un futur plus efficace. Présenté à IkerGazte 2025.

• Santana R, McKay RI and Lozano JA (2013). Symmetry in evolutionary and estimation of distribution algorithms. IEEE TEVC.
• Santana R and Lozano JA (2017). Different scenarios for survival analysis of evolutionary algorithms. Swarm and Evolutionary Computation.
• Garciarena U and Santana R (2016). Evolutionary Optimization of Compiler Flag Selection by Learning and Exploiting Flags Interactions. GECCO 2016.
• Garciarena U, Marti L and Santana R (2021). On the Exploitation of Neuroevolutionary Information: Analyzing the Past for a More Efficient Future. CEC 2021.
• Garciarena U, Marti L and Santana R (2020). Envisioning the Benefits of Back-Drive in Evolutionary Algorithms. CEC 2020.
• Santana R, Mendiburu A and Lozano JA (2016). Evolutionary Approaches to Optimization Problems in Chimera Topologies. GECCO 2016.
• Picek S, Jakobovic D and Santana R (2016). Maximal nonlinearity in balanced boolean functions with even number of inputs, revisited. CEC 2016.
• Larrañaga P, Karshenas H, Bielza C and Santana R (2012). A review on probabilistic graphical models in evolutionary computation. JMLR Workshop.
• Larrañaga P, Karshenas H, Bielza C and Santana R (2013). A Review on Evolutionary Algorithms in Bayesian Network Learning and Inference Tasks. International Journal of Approximate Reasoning.
• Ponce-de-Leon M, Ponce M and Santana R (1996). A genetic algorithm for a Hamiltonian path problem. GECCO 1996.