开始时对良好解决方案进行运行时分析的初步探索
摘要：从传统意义上讲，进化算法的数学运行时间分析是指在随机种群初始化时，算法找到一定质量的解所需的时间。在实际应用中，可能会出现比随机解更好的解。我们开始对这种情况进行数学运行时间分析。我们观察到，不同的算法对于更好的初始化有不同程度的受益。我们还展示了算法的最优参数设置可能严重依赖于初始解的质量。为了克服这个困难，自适应和随机的重尾参数选择可能是有益的。最后，我们观察到我们发现的最佳进化算法与相应的黑盒复杂度之间存在较大差距。这可能意味着仍然有进一步发现更好利用良好初始解的进化算法的可能性。这些初步的发现是通过分析基于OneMax基准测试的$(1+1)$进化算法和静态、自适应和重尾的$(1+(lambda,lambda))$GA的性能而得出的。我们对于如何从良好的初始解中受益的问题感到乐观，并认为这个问题超出了这些初步示例的范围。
作者：Denis Antipov, Maxim Buzdalov, Benjamin Doerr
论文ID：2006.12161
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-07-03