连续单目标优化中的景观特征：我们是否已在算法选择的泛化能力上达到了瓶颈？
机器学习
2025-01-30 v1
摘要
识别特定问题最合适优化算法的过程，称为算法选择（AS），涉及利用问题景观特征来预测算法性能的训练模型。该领域的一个重要挑战是确保AS模型能够有效地泛化到新的、未见过的问题。本研究评估了基于不同问题表示的AS模型在单目标连续优化情境下的泛化能力。具体而言，它考虑了最广泛使用的探索性景观分析（Exploratory Landscape Analysis）特征，以及 recently proposed 的拓扑景观分析（Topological Landscape Analysis）特征，以及基于深度学习的特征，如 DeepELA、TransOptAS 和 Doe2Vec。我们的结果表明，当呈现给离分布评估数据时，None of the feature-based AS models 能超过一个简单的基线模型，即 Single Best Solver。
引用
@article{arxiv.2501.17663,
title = {Landscape Features in Single-Objective Continuous Optimization: Have We Hit a Wall in Algorithm Selection Generalization?},
author = {Gjorgjina Cenikj and Gašper Petelin and Moritz Seiler and Nikola Cenikj and Tome Eftimov},
journal= {arXiv preprint arXiv:2501.17663},
year = {2025}
}