基于探索性景观分析与机器学习结合的连续黑盒问题自动算法选择

在本文中，我们基于先前关于设计信息丰富且高效的探索性景观分析（Exploratory Landscape Analysis）特征以刻画问题景观的工作，展示了这些特征在连续黑盒优化问题中自动构建算法选择模型的有效性。聚焦于多年来 COCO 平台的算法性能结果，我们构建了一组具有代表性的高性能互补求解器，并提出了一种算法选择模型——与组合中单一最佳求解器相比，该模型平均仅需不到一半的资源即可求解给定问题。因此，相较于经典集成方法，其在效率上有巨大提升，且通过使用信息丰富的特征增进了对问题特性与算法属性的洞察。基于黑盒优化基准（Black-Box Optimization Benchmark）的函数集对实际应用具有足够代表性的假设，该模型能够在优化开始前，基于少量函数评估样本，为未见问题从候选集中选出最适用的优化算法。需注意，此类样本甚至可复用于进化（优化）算法的初始种群，从而使得特征计算成本亦可忽略不计。