噪声 OneMax 问题的最优重采样
神经与进化计算
2017-06-13 v3 人工智能
摘要
OneMax 问题是针对二元搜索空间的标准基准优化问题。近期将基于 Bandit 的随机变异爬山（Bandit-Based Random Mutation Hill-Climbing）算法应用于噪声 OneMax 问题的工作表明，选择良好的重采样数值以在采取更多样本以降低噪声与采取更少样本以降低总计算成本之间做出谨慎权衡十分重要。本文扩展了该观察，通过推导应用重采样于噪声 OneMax 问题的 RMHC 算法的运行时间的解析表达式，并从理论和经验上表明最优重采样数随搜索空间维数增加而增加。
引用
@article{arxiv.1607.06641,
title = {Optimal resampling for the noisy OneMax problem},
author = {Jialin Liu and Michael Fairbank and Diego Pérez-Liébana and Simon M. Lucas},
journal= {arXiv preprint arXiv:1607.06641},
year = {2017}
}
备注
8 pages, 1 table, 6 figures