高效且易用的黑盒与灰盒优化GOMEA的Python/C++联合库
摘要：使用关于问题结构的知识可以极大地提高进化算法（EA）的效率和可扩展性。模型驱动的进化算法（MBEAs）能够通过明确地建模问题结构来实现这一点。基因池最优混合进化算法（GOMEA）是MBEAs中的最新技术之一，因为它使用了连锁模型和最优混合变异算子。特别是在允许部分评估的灰盒优化（GBO）设置中，即相对高效地评估解决方案的部分修改，GOMEA被认为是卓越的。已知在各种实际应用中，GBO设置存在于GOMEA已成功应用的领域中。在这项工作中，我们介绍了GOMEA库，通过Python使现有的C++ GOMEA代码可以访问，它可以作为维护和分发GOMEA代码的集中方式，以适应各种优化领域。此外，它还允许在Python中简单定义BBO和GBO适应度函数，这些函数可以在C++优化代码中为每个所需的（部分）评估调用。我们描述了GOMEA库的结构及其使用方法，并展示了它在GBO和Black-Box Optimization（BBO）中的性能。
作者：Anton Bouter and Peter A.N. Bosman
论文ID：2305.06246
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-05-11