使用基于轨迹特征的预热方式进行每次运行的算法选择
摘要：每次算法选择旨在为给定的问题实例和给定的性能准则推荐一个或多个适合的算法，这些算法预计在特定设置中表现良好。这种选择通常是离线完成的，使用关于问题实例的公开可用信息或在专门的特征提取步骤中从实例中提取的特征。这忽视了算法在优化过程中积累的有价值的信息。 在这项工作中，我们提出了一种替代的在线算法选择方案，我们称之为每次运行算法选择。在我们的方法中，我们使用一个默认算法开始优化，并在一定数量的迭代之后，从观察到的这个初始优化器的轨迹中提取实例特征，以确定是否切换到另一个优化器。我们使用CMA-ES作为默认求解器，并使用六个不同的优化器组合作为潜在的可切换算法来测试这种方法。与最近关于在线每次运行算法选择的其他工作相比，我们通过使用在第一优化阶段积累的信息来热启动第二个优化器。我们表明，我们的方法优于静态每次实例的算法选择。我们还比较了两种不同的特征提取原则，基于探索性景观分析和基于CMA-ES的内部状态变量的时间序列分析。我们表明，这两种特征集的组合为我们从COCO平台的BBOB函数套件和Nevergrad平台的YABBOB套件中的测试案例提供了最准确的推荐。
作者：Ana Kostovska, Anja Jankovic, Diederick Vermetten, Jacob de Nobel, Hao Wang, Tome Eftimov, Carola Doerr
论文ID：2204.09483
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2022-09-08