面向离散黑盒优化启发式算法的理论引导基准测试套件：在 OneMax 与 LeadingOnes 上剖析 (1+λ) EA 变体
神经与进化计算
2018-08-20 v1
摘要
关于进化计算方法的理论与经验研究通过提供两种根本不同的途径来增进对黑盒优化启发式算法的理解，二者相互补充。在离散优化中，这两个方向彼此相当独立地发展，但今天我们观察到调和这两个子分支的兴趣日益增长。在连续优化中，COCO（COmparing Continuous Optimisers，连续优化器比较）基准测试套件已成为理论研究者与实践者交流研究思路与问题的重要平台。在离散黑盒优化研究领域中尚不存在广泛接受的等价物。作为填补这一空白的重要一步，我们将 COCO 软件调整用于伪布尔优化问题，并由此获得一个允许对离散黑盒启发式算法进行细粒度经验分析的基准测试环境。在本说明中，我们展示如何使用该测试平台来剖析进化算法的性能。更具体地，我们研究了若干 (1+λ) EA 变体在两个基准问题 OneMax 与 LeadingOnes 上的优化行为。该比较激发了对 (1+λ) EA 在 LeadingOnes 上优化时间的精细化分析。
引用
@article{arxiv.1808.05850,
title = {Towards a Theory-Guided Benchmarking Suite for Discrete Black-Box Optimization Heuristics: Profiling $(1+\lambda)$ EA Variants on OneMax and LeadingOnes},
author = {Carola Doerr and Furong Ye and Sander van Rijn and Hao Wang and Thomas Bäck},
journal= {arXiv preprint arXiv:1808.05850},
year = {2018}
}