基于强化学习的辅助目标动态选择并保留最佳已找到解
神经与进化计算
2017-04-25 v1 机器学习
摘要
通过引入一些辅助目标可以提高单目标优化的效率。理想情况下，辅助目标应该是有帮助的。然而，在实践中，目标在某些优化阶段可能有效，但在其他阶段可能阻碍。本文我们提出了EA+RL方法的改进，使用强化学习动态选择优化目标。提出的改进防止丢失最佳找到的解。我们分析了提出的改进，并在XdivK、Generalized OneMax和LeadingOnes问题上与EA+RL方法和随机局部搜索进行了比较。提出的改进在所有问题实例上优于EA+RL方法。它也在大多数问题实例上优于单目标方法。我们还提供了所考虑算法不同组件如何影响优化效率的详细分析。此外，我们在XdivK问题上对提出的改进进行了理论分析。
引用
@article{arxiv.1704.07187,
title = {Reinforcement Learning Based Dynamic Selection of Auxiliary Objectives with Preserving of the Best Found Solution},
author = {Irina Petrova and Arina Buzdalova},
journal= {arXiv preprint arXiv:1704.07187},
year = {2017}
}
备注
this is a full version of a paper which has been accepted as a student workshop paper to GECCO conference 2017