一种用于加速随机局部搜索的改进通用Bet-and-Run策略

一种常用于改进优化算法的策略是：当认为算法陷入搜索空间的劣区时重启之。基于近期Bet-and-Run方法在重启式局部搜索求解器上的成功，我们引入一种改进的通用Bet-and-Run策略。目标是在给定时间预算t内使用给定黑盒优化算法获得尽可能好的结果。若对问题特征与算法行为无先验知识，如何最有效地利用时间预算便成为问题。我们提议首先在初始化预算t1<t内启动k>=1次独立算法运行，暂停这些运行，然后应用决策器D从中选取1<=m<=k次运行（此过程消耗t2>=0时间单位），再将这些运行继续剩余的t3=t-t1-t2时间单位。在先前Bet-and-Run策略中，决策器D=currentBest会简单地以可忽略时间选取迄今结果最佳的运行。我们提议使用更先进的方法区分“好”与“坏”样本运行，以提升所选运行与后验最佳运行的相关性。我们测试了若干不同方法，包括在算法当前轨迹上训练神经网络或拟合多项式，以预测若获剩余预算哪次运行可能给出最佳结果。我们通过大量实验表明该方法可优于先前方法，但也发现currentBest方法是非常可靠且稳健的基线方法。