灰盒优化与因子分解分布算法：两个世界的碰撞
神经与进化计算
2017-07-12 v1
摘要
灰盒优化的概念，与黑盒优化相对，围绕着利用问题结构来实现更高效的进化算法 (EAs) 这一思想展开。关于因子分解分布算法 (FDAs) 的工作，其因子分解直接源自问题结构，也表明了利用问题结构如何产生 EA 效率的重要提升。在本文中，我们分析了在 EA 中使用问题结构的一般性问题，重点对比灰盒优化中的工作与 FDAs 中的相关研究。这种对比分析有助于我们在当前关于在 EA 中使用问题结构的研究中，识别出关于这些算法如何工作的两种不同的分析特征。此外，我们声称这两种特征在提供研究此类算法的连贯框架时相互碰撞和竞争。为了说明这一主张，我们呈现了对 FDAs 和灰盒优化中产生的形式体系、问题和结果的对比分析。识别并讨论了这两种方法中通常被忽视的共同底层原理。此外，还介绍了关于在 EA 中不同使用问题结构的先前研究的广泛综述。本文还阐述了在扩展 EA 中问题结构使用时出现的一些问题，例如可进化性、变量的高基数和大定义域、约束和多目标问题等。最后，涵盖了利用神经模型捕捉问题结构的新兴方法。
引用
@article{arxiv.1707.03093,
title = {Gray-box optimization and factorized distribution algorithms: where two worlds collide},
author = {Roberto Santana},
journal= {arXiv preprint arXiv:1707.03093},
year = {2017}
}
备注
33 pages, 9 tables, 3 figures. This paper covers some of the topics of the talk "When the gray box was opened, model-based evolutionary algorithms were already there" presented in the Model-Based Evolutionary Algorithms workshop on July 20, 2016, in Denver