质量多样性的问题解决益处能否在没有明确的多样性维护的情况下获得？
摘要：质量多样性（QD）优化在解决难以探索或欺骗性搜索问题时，假设多样性具有外在价值。这意味着多样性对帮助我们达到目标很重要，但不是目标本身。在这些领域中，从业者通常会将他们的QD算法与单目标优化框架进行基准测试。本文认为，正确的比较应该是与多目标优化框架进行比较。这是因为单目标优化框架依赖于子目标的聚合，这可能导致减少关键信息，而这些信息对于自动维持多样性种群至关重要。为了促进质量多样性和多目标优化之间的公正比较，我们提出了一种利用降维技术自动确定个体的行为描述符和解决个体的目标集的方法。利用前者，可以使用标准的质量多样性优化技术生成解决方案；利用后者，则可以使用标准的多目标优化技术生成解决方案。这允许在这两类算法之间进行公平的比较，而无需对领域和算法进行特定修改以进行比较。
作者：Ryan Boldi and Lee Spector
论文ID：2305.07767
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-05-16