MA-BBOB：用于无噪声数值黑盒优化背景下AutoML方法评估的BBOB函数多仿射组合
机器学习
2023-06-21 v1 神经与进化计算
最优化与控制
摘要
基于近期通过插值COmparing COntinuous Optimizers (COCO) 平台上成熟的BBOB函数对来生成数值黑盒优化基准测试新实例的建议，我们在本工作中提出一种进一步的推广，允许对原始实例进行多重仿射组合并任意选择全局最优点的位置。我们证明了MA-BBOB生成器有助于填充实例空间，同时算法性能的整体模式得以保持。通过将问题的景观特征与性能数据相结合，我们提出了这些特征是否如先前研究所建议的那样对算法选择有用的疑问。MA-BBOB构建于公开可用的IOHprofiler平台之上，该平台促进了标准化实验流程，提供对用于性能分析与可视化的交互式IOHanalyzer模块的访问，并支持与(MA-)BBOB函数丰富且不断增长的数据集进行比较。
引用
@article{arxiv.2306.10627,
title = {MA-BBOB: Many-Affine Combinations of BBOB Functions for Evaluating AutoML Approaches in Noiseless Numerical Black-Box Optimization Contexts},
author = {Diederick Vermetten and Furong Ye and Thomas Bäck and Carola Doerr},
journal= {arXiv preprint arXiv:2306.10627},
year = {2023}
}
备注
To appear in the AutoML 2023 proceedings (ABCD track)