基于双空间景观分析和双控制机制的元黑盒优化：面向SAEA
神经与进化计算
2025-11-20 v1
摘要
代理辅助进化算法（SAEAs）广泛用于高成本黑盒优化。然而，它们依赖于刚性的人工设计组件（如填充准则和进化策略），限制了跨任务的灵活性。为此，我们提出了双控制双空间代理辅助进化算法（DB-SAEA），这是一种针对多目标问题的元黑盒优化（MetaBBO）框架。DB-SAEA学习一个元策略，联合调节候选生成和填充准则选择，从而实现双重控制。DB-SAEA中的双空间探索性景观分析（ELA）模块采用注意力机制捕获真实评估空间和代理评估空间中的优化状态，同时确保在问题维度、种群规模和目标数量方面的可扩展性。此外，我们集成TabPFN作为代理模型，以实现对不确定性的准确且高效的预测。该框架通过强化学习进行训练，利用并行抽样和集中式训练来提高效率和跨任务的可迁移性。实验结果表明，DB-SAEA不仅在多样化基准测试中超越了最先进的基线方法，而且在更高维设置的未知任务上表现出强大的零样本迁移能力。本工作引入了具有双层控制的MetaBBO框架，以及捕获代理模型信息的双空间ELA。
引用
@article{arxiv.2511.15551,
title = {Meta-Black-Box Optimization with Bi-Space Landscape Analysis and Dual-Control Mechanism for SAEA},
author = {Yukun Du and Haiyue Yu and Xiaotong Xie and Yan Zheng and Lixin Zhan and Yudong Du and Chongshuang Hu and Boxuan Wang and Jiang Jiang},
journal= {arXiv preprint arXiv:2511.15551},
year = {2025}
}