面向模块化 CMA-ES 变体的景观感知固定预算性能回归与算法选择
神经与进化计算
2020-06-18 v1 机器学习
摘要
自动化算法选择有望在为用户给定问题选择最合适算法这一关键任务上提供支持。这些机器学习技术的常见组成部分是回归模型，用于预测给定算法在先前未见过的问题实例上的性能。在数值黑盒优化背景下，此类回归模型通常建立在探索性景观分析（ELA）之上，后者量化问题的若干特征。这些度量可用于训练有监督性能回归模型。基于 ELA 的性能回归已在固定目标设定下迈出初步步伐。然而在许多应用中，用户需要在给定的函数评估预算内选择表现最佳的算法。采用这一固定预算设定，我们证明通过恰当地组合两个以不同方式训练的回归模型，可以利用现成的有监督学习方法实现高质量的性能预测。我们在一个极具挑战性的问题上测试该方法：在由非常相似的算法组成的算法组合上进行算法选择，这些算法选自模块化 CMA-ES 算法族。
引用
@article{arxiv.2006.09855,
title = {Landscape-Aware Fixed-Budget Performance Regression and Algorithm Selection for Modular CMA-ES Variants},
author = {Anja Jankovic and Carola Doerr},
journal= {arXiv preprint arXiv:2006.09855},
year = {2020}
}
备注
To appear in Proc. of Genetic and Evolutionary Computation Conference (GECCO'20)