受人工突变启发的多目标算法运行时使用超启发式方法
软件工程
2014-02-19 v1 神经与进化计算
摘要
近年来，多目标进化算法（MOEA）已被应用于不同的软件工程问题，这些问题需要同时优化许多相互冲突的目标。理论上，进化算法具备运行时优化的良好特性，因为它们可以在任何执行时间内提供解决方案。实践中，基于达尔文式的自然选择，这些进化算法会产生许多“死胎”解，其计算导致计算资源的浪费：自然选择本质上是缓慢的。在本文中，我们通过借鉴现代生物学研究重新审视这一基础类比以加速 MOEA 的收敛：人工选择已被用于实现预期的特定目的，而不仅仅依赖交叉和自然选择（即 Muller 等人 [18] 关于水果 X 射线人工突变的研究）。抛开与自然选择的类比，本文提出了一种名为 Sputnik 1 的面向 MOEA 算法的超启发式方法，该方法利用人工选择性突变来提高 MOEA 的收敛速度。Sputnik 利用过去的突变效率历史来选择执行最相关的突变。我们在一个云推理引擎上评估了 Sputnik，该引擎在考虑相互冲突的性能和成本目标的同时驱动按需配置。我们进行了实验，以突显 Sputnik 在解决时间方面的显著性能提升。
引用
@article{arxiv.1402.4442,
title = {Artificial Mutation inspired Hyper-heuristic for Runtime Usage of Multi-objective Algorithms},
author = {Donia El Kateb and François Fouquet and Johann Bourcier and Yves Le Traon},
journal= {arXiv preprint arXiv:1402.4442},
year = {2014}
}