不确定性质多样性：不确定领域中的评估方法和新方法
摘要：不确定领域的品质-多样性优化(QD)在广泛的应用中展现出了良好的结果。然而，在环境中存在不确定性时，QD方法会遇到困难，因为它会影响到对解决方案的真实性能和新颖性的量化能力。这个问题在以前的文献中独立被多次提出过。在这项工作中，我们通过四个主要贡献提出了统一的观点来解决这个问题。首先，我们对不确定领域提出了一个共同的框架：不确定QD设置，它是QD的一个特殊情况，在这种情况下，每个解决方案的适应度和描述符不再是固定值，而是可能值的分布。其次，我们提出了一种新的评估不确定QD方法的方法，依赖于一种新的每代采样预算和一组现有和新的专为不确定QD设计的度量标准。第三，我们提出了三种新的不确定QD算法：归档采样、并行自适应采样和深度网格采样。我们提出这些方法是基于QD社区对使用硬件加速的最新进展，这使得可以进行大量并行评估，并且使采样成为一种经济负担较低的不确定性方法。我们最后的第四个贡献是利用这个新框架和相关的比较方法来评估现有和新颖的方法。我们再次证明了在不确定领域中MAP-Elite的局限性，并强调了现有的深度网格方法和我们的新算法的性能。这个框架和方法的目标是成为未来考虑不确定QD的工作的一个重要基准。
作者：Manon Flageat and Antoine Cully
论文ID：2302.00463
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-03-28