绿色优化：利用机器学习代理实现元启发式算法的能量感知设计以应对实际问题
神经与进化计算
2026-03-31 v2
摘要
应对现实世界的优化挑战不仅需要先进的元启发式算法，还需要对其内部机制进行持续改进。本文通过一个新兴视角——能耗，探讨了将机器学习形式的神经代理模型集成到元启发式算法中。虽然代理被广泛用于降低昂贵目标函数的计算成本，但它们对能源效率、算法性能和解决方案精度的综合影响在很大程度上仍未量化。我们对这一交叉领域进行了批判性研究，旨在推进能量感知的、代理辅助搜索算法的设计。我们的实验揭示了显著的好处：使用最先进的预训练代理可以将能耗降低高达98%，执行时间减少约98%，内存使用减少约99%。此外，增加训练数据集的大小通过降低每次使用的计算成本进一步增强了这些收益，而静态预训练与连续（迭代）重训练相比，分别在我们追求时间/能量或准确性以及跨问题的总体成本方面具有相对不同的优势。代理有时也会对成本和准确性产生负面影响，因此不能盲目采用。这些发现支持了一种更全面的代理辅助优化方法，将能量、时间和预测准确性整合到性能评估中。
引用
@article{arxiv.2602.06610,
title = {Green Optimization: Energy-aware Design of Metaheuristics by Using Machine Learning Surrogates to Cope with Real Problems},
author = {Tomohiro Harada and Enrique Alba and Gabriel Luque},
journal= {arXiv preprint arXiv:2602.06610},
year = {2026}
}
备注
This manuscript corresponds to the first submitted version and may be revised in future updates