In het midden van de jaren '60 van de vorige eeuw krijgt John Holland, professor in zowel de psychologie als de computerwetenschappen aan de Universiteit van Michigan, een even eenvoudig als briljant idee. Holland ziet in dat Darwin's principe van evolutie door natuurlijke selectie kan gebruikt worden als algoritme om optimalisatieproblemen op te lossen. Evolutie, zo redeneert Holland, maximaliseert de geschiktheid van een organisme om te overleven. Dat gebeurt doordat individuen die goed aangepast zijn aan hun omgeving gemiddeld gesproken langer leven (een proces dat men selectie noemt) en dus meer afstammelingen voortbrengen.

Dit gegeven, in combinatie met het feit dat ouders erfelijke kenmerken op hun kinderen overdragen (het recombinatie-principe), zorgt ervoor dat de volgende generatie (gemiddeld gesproken) beter zal aangepast zijn dan de vorige. Het briljante aan Holland's idee is het inzicht dat eender welk optimalisatieprobleem door deze principes kan opgelost worden.

Dierenrijk als inspiratie voor algoritmen: hoe een tak van de wetenschap zijn eigen graf graaft.

Optimalisatieproblemen, waarbij de best mogelijke oplossing uit een enorme verzameling van mogelijke oplossingen gezocht moet worden, vinden we overal. Het zoeken van de kortste weg tussen twee adressen, het bepalen van de beste routes voor postbodes of huisvuilophaling en het samenstellen van een investeringsportfolio, zijn allemaal voorbeelden van optimalisatieproblemen en heel wat wetenschappers wijden zich aan de studie van algoritmes of computerprogramma's om ze op te lossen. Als we nu een oplossing van een optimalisatieprobleem kunnen voorstellen als iets wat lijkt op een chromosoom, de drager van het erfelijke materiaal, zo redeneert Holland, dan kunnen we er de mechanismen van selectie en recombinatie op loslaten om zo steeds betere oplossingen te vinden. Zijn uitvinding noemt hij een genetisch algoritme.

De voordelen van genetische algoritmen lijken legio: in plaats van voor elk van de vele duizenden optimalisatieproblemen die bestaan telkens een apart algoritme te ontwikkelen, kan vanaf nu het algemene raamwerk van een genetisch algoritme gebruikt worden om álle optimalisatieproblemen op te lossen. Het onderzoeksgebied van de genetische en evolutionaire algoritmen breidt zich dan ook snel uit.

Dertig jaar later, in het begin van de jaren '90, doet de naar België uitgeweken Italiaan Marco Dorigo een soortgelijke ontdekking. Mieren, zo redeneerde Dorigo, optimaliseren het pad tussen hun nest en hun voedselbron en ze doen dat op een heel eigen manier, door feromonen (geurhormonen) achter te laten op hun route, die opgepikt en gevolgd worden door andere mieren. Net als Holland dertig jaar eerder, komt Dorigo tot de vaststelling dat dit mechanisme gebruikt kan worden om alle mogelijke optimalisatieproblemen op te lossen. Het resulterende algoritme, dat hij in zijn doctoraat ontwikkelt, noemt hij ant colony optimization.

Net als genetische algoritmen, wint ant colony optimization snel aan populariteit. Grote groepen computerwetenschappers en ingenieurs storten zich op deze metafoor-gebaseerde optimalisatiemethoden, onderzoeken hun theoretische eigenschappen, en passen ze toe op allerlei optimalisatieproblemen. Talloze varianten worden bedacht, elk met hun eigen specialisatiedomein, hun voor- en hun nadelen. De bedenkers en pioniers van ant colony optimization en genetische algoritmen verwerven binnen hun eigen subdomein iets van een sterrenstatus. Hun artikels worden duizenden keren vermeld in andere wetenschappelijke artikels. Op de grote wetenschappelijke congressen in het domein, zijn zij steevast de hoofdsprekers. Het wetenschapsgebied van de natuur-geïnspireerde optimalisatie boomt als nooit tevoren.

En dan loopt het mis. Geïnspireerd door het succes van ant colony optimization, realiseren minstens vier verschillende onderzoekers zich min of meer gelijktijdig dat ook van een andere insectengroep, bijen, kan gezegd worden dat ze iets optimaliseren en dat ook deze metafoor kan gebruikt worden om een algemeen bruikbare optimalisatiemethode te definiëren. In de vroege jaren 2000 zien zo het artificial bee colony algoritme, het bees algoritme, het marriage in honeybees optimization algoritme en het queen bees algoritme het daglicht. Termieten (termite colony optimization), glimwormen (firefly algorithm) en kakkerlakken (roach infestation algorithm) volgen niet veel later.

Vanaf 2010 is het hek dan definitief van de dam. Afrikaanse buffels, algen en amoeben, allemaal krijgen ze om de beurt hun natuur-geïnspireerde optimalisatiemethode. En de inspiratie blijft niet beperkt tot de dierenwereld: anarchisten, de FIFA-wereldbeker, muzikanten, de politiek, rijstvelden, bergbeklimmers, explosies, wolken, golven, de Big Bang, nieren, interieurontwerp, ... geen enkel onderwerp lijkt te gek om een optimalisatiemethode op te baseren. De enige bestaansreden van elk van deze "optimalisatiemethoden": de metafoor die ze hanteren en de terminologie die ze eraan ontlenen. Of deze methode al dan niet een bijdrage levert tot de theorie of de praktijk van optimalisatie is van secundair belang. De populariteit van deze methoden en hun "uitvinders" explodeert, niet gehinderd door protest vanuit de reguliere onderzoeksgemeenschap rond optimalisatie, die al deze "innovatie" maar niks vindt en er zelfs een parodiërend "bestiarium" van aanlegt.

Optimalisatie is niet het eerste vakgebied waar een soortgelijk drama zich aftekent. Heel af en toe keert een (deel van een) wetenschapsgebied zich naar binnen en sluit het zichzelf op in zijn eigen bubbel. Innovaties worden niet meer getoetst aan de buitenwereld, maar enkel binnen het eigen wereldje afgewogen. Homeopathie is zo'n voorbeeld. Op grote congressen discussiëren homeopaten of de beste verdunning van eendenlever voor het bestrijden van griep nu 100C of 200C is (het antwoord: geen van beide, beide verdunningen bestaan voor 100% uit zuiver water), zonder zich ooit nog af te vragen of homeopathie an sich wel werkt (het antwoord: nee). Net als de homeopaten, heeft ook de tak van de natuur-geïnspireerde optimalisatie zich afgescheurd van de rest van de wetenschappelijke gemeenschap rond optimalisatie. Die laatste kan niets anders doen dan verweesd toekijken hoe artikels gepubliceerd worden wiens enige bijdrage aan de optimalisatie een nieuwe, al maar gekkere, metafoor is. Verontrust moet ze ondergaan dat onderzoekers discussiëren of kraaien dan wel arenden de beste vogels zijn om de routes van een pakjesdienst uit te tekenen en of een examenrooster best opgesteld wordt door bliksemschichten dan wel door granaatinslagen.

Ten slotte, wie hoopte eens een artikel gelezen te hebben zonder vermelding van het Coronavirus, moet ik teleurstellen. In een opperste staaltje van opportunisme, verscheen op 30 maart op arXiv (een website die artikels publiceert alvorens ze door andere wetenschappers zijn beoordeeld) het "Coronavirus Optimization Algorithm", een algoritme gebaseerd, jawel, op het verspreidingsgedrag van covid-19.

In het midden van de jaren '60 van de vorige eeuw krijgt John Holland, professor in zowel de psychologie als de computerwetenschappen aan de Universiteit van Michigan, een even eenvoudig als briljant idee. Holland ziet in dat Darwin's principe van evolutie door natuurlijke selectie kan gebruikt worden als algoritme om optimalisatieproblemen op te lossen. Evolutie, zo redeneert Holland, maximaliseert de geschiktheid van een organisme om te overleven. Dat gebeurt doordat individuen die goed aangepast zijn aan hun omgeving gemiddeld gesproken langer leven (een proces dat men selectie noemt) en dus meer afstammelingen voortbrengen. Dit gegeven, in combinatie met het feit dat ouders erfelijke kenmerken op hun kinderen overdragen (het recombinatie-principe), zorgt ervoor dat de volgende generatie (gemiddeld gesproken) beter zal aangepast zijn dan de vorige. Het briljante aan Holland's idee is het inzicht dat eender welk optimalisatieprobleem door deze principes kan opgelost worden. Optimalisatieproblemen, waarbij de best mogelijke oplossing uit een enorme verzameling van mogelijke oplossingen gezocht moet worden, vinden we overal. Het zoeken van de kortste weg tussen twee adressen, het bepalen van de beste routes voor postbodes of huisvuilophaling en het samenstellen van een investeringsportfolio, zijn allemaal voorbeelden van optimalisatieproblemen en heel wat wetenschappers wijden zich aan de studie van algoritmes of computerprogramma's om ze op te lossen. Als we nu een oplossing van een optimalisatieprobleem kunnen voorstellen als iets wat lijkt op een chromosoom, de drager van het erfelijke materiaal, zo redeneert Holland, dan kunnen we er de mechanismen van selectie en recombinatie op loslaten om zo steeds betere oplossingen te vinden. Zijn uitvinding noemt hij een genetisch algoritme.De voordelen van genetische algoritmen lijken legio: in plaats van voor elk van de vele duizenden optimalisatieproblemen die bestaan telkens een apart algoritme te ontwikkelen, kan vanaf nu het algemene raamwerk van een genetisch algoritme gebruikt worden om álle optimalisatieproblemen op te lossen. Het onderzoeksgebied van de genetische en evolutionaire algoritmen breidt zich dan ook snel uit.Dertig jaar later, in het begin van de jaren '90, doet de naar België uitgeweken Italiaan Marco Dorigo een soortgelijke ontdekking. Mieren, zo redeneerde Dorigo, optimaliseren het pad tussen hun nest en hun voedselbron en ze doen dat op een heel eigen manier, door feromonen (geurhormonen) achter te laten op hun route, die opgepikt en gevolgd worden door andere mieren. Net als Holland dertig jaar eerder, komt Dorigo tot de vaststelling dat dit mechanisme gebruikt kan worden om alle mogelijke optimalisatieproblemen op te lossen. Het resulterende algoritme, dat hij in zijn doctoraat ontwikkelt, noemt hij ant colony optimization. Net als genetische algoritmen, wint ant colony optimization snel aan populariteit. Grote groepen computerwetenschappers en ingenieurs storten zich op deze metafoor-gebaseerde optimalisatiemethoden, onderzoeken hun theoretische eigenschappen, en passen ze toe op allerlei optimalisatieproblemen. Talloze varianten worden bedacht, elk met hun eigen specialisatiedomein, hun voor- en hun nadelen. De bedenkers en pioniers van ant colony optimization en genetische algoritmen verwerven binnen hun eigen subdomein iets van een sterrenstatus. Hun artikels worden duizenden keren vermeld in andere wetenschappelijke artikels. Op de grote wetenschappelijke congressen in het domein, zijn zij steevast de hoofdsprekers. Het wetenschapsgebied van de natuur-geïnspireerde optimalisatie boomt als nooit tevoren.En dan loopt het mis. Geïnspireerd door het succes van ant colony optimization, realiseren minstens vier verschillende onderzoekers zich min of meer gelijktijdig dat ook van een andere insectengroep, bijen, kan gezegd worden dat ze iets optimaliseren en dat ook deze metafoor kan gebruikt worden om een algemeen bruikbare optimalisatiemethode te definiëren. In de vroege jaren 2000 zien zo het artificial bee colony algoritme, het bees algoritme, het marriage in honeybees optimization algoritme en het queen bees algoritme het daglicht. Termieten (termite colony optimization), glimwormen (firefly algorithm) en kakkerlakken (roach infestation algorithm) volgen niet veel later. Vanaf 2010 is het hek dan definitief van de dam. Afrikaanse buffels, algen en amoeben, allemaal krijgen ze om de beurt hun natuur-geïnspireerde optimalisatiemethode. En de inspiratie blijft niet beperkt tot de dierenwereld: anarchisten, de FIFA-wereldbeker, muzikanten, de politiek, rijstvelden, bergbeklimmers, explosies, wolken, golven, de Big Bang, nieren, interieurontwerp, ... geen enkel onderwerp lijkt te gek om een optimalisatiemethode op te baseren. De enige bestaansreden van elk van deze "optimalisatiemethoden": de metafoor die ze hanteren en de terminologie die ze eraan ontlenen. Of deze methode al dan niet een bijdrage levert tot de theorie of de praktijk van optimalisatie is van secundair belang. De populariteit van deze methoden en hun "uitvinders" explodeert, niet gehinderd door protest vanuit de reguliere onderzoeksgemeenschap rond optimalisatie, die al deze "innovatie" maar niks vindt en er zelfs een parodiërend "bestiarium" van aanlegt. Optimalisatie is niet het eerste vakgebied waar een soortgelijk drama zich aftekent. Heel af en toe keert een (deel van een) wetenschapsgebied zich naar binnen en sluit het zichzelf op in zijn eigen bubbel. Innovaties worden niet meer getoetst aan de buitenwereld, maar enkel binnen het eigen wereldje afgewogen. Homeopathie is zo'n voorbeeld. Op grote congressen discussiëren homeopaten of de beste verdunning van eendenlever voor het bestrijden van griep nu 100C of 200C is (het antwoord: geen van beide, beide verdunningen bestaan voor 100% uit zuiver water), zonder zich ooit nog af te vragen of homeopathie an sich wel werkt (het antwoord: nee). Net als de homeopaten, heeft ook de tak van de natuur-geïnspireerde optimalisatie zich afgescheurd van de rest van de wetenschappelijke gemeenschap rond optimalisatie. Die laatste kan niets anders doen dan verweesd toekijken hoe artikels gepubliceerd worden wiens enige bijdrage aan de optimalisatie een nieuwe, al maar gekkere, metafoor is. Verontrust moet ze ondergaan dat onderzoekers discussiëren of kraaien dan wel arenden de beste vogels zijn om de routes van een pakjesdienst uit te tekenen en of een examenrooster best opgesteld wordt door bliksemschichten dan wel door granaatinslagen. Ten slotte, wie hoopte eens een artikel gelezen te hebben zonder vermelding van het Coronavirus, moet ik teleurstellen. In een opperste staaltje van opportunisme, verscheen op 30 maart op arXiv (een website die artikels publiceert alvorens ze door andere wetenschappers zijn beoordeeld) het "Coronavirus Optimization Algorithm", een algoritme gebaseerd, jawel, op het verspreidingsgedrag van covid-19.