使用遗传编程进行ELA引导的函数演化的挑战
摘要：如何生成新的最优化问题是近年来不断得到优化界关注的问题。在实例空间分析（ISA）等领域中，生成新问题可以提供尚未在现有研究中探索的新基准。除此之外，通过生成具有类似特性的函数，我们可以为算法选择和配置创建一个稳健的测试集，从而解决复杂的实际最优化问题。然而，生成具有特定目标特性的函数仍然具有挑战性。虽然存在用于捕捉低级景观特性的特征，但它们可能不总是能够捕捉到预期的高级特性。我们的研究表明，通过这些探索性景观分析（ELA）特性指导的遗传编程（GP）方法并不总能找到令人满意的函数。我们的结果提示，在进化足够代表目标题景的函数方面，可能需要仔细考虑景观特性的加权以及使用的距离度量方法。
作者：Fu Xing Long, Diederick Vermetten, Anna V. Kononova, Roman Kalkreuth, Kaifeng Yang, Thomas B"ack, Niki van Stein
论文ID：2305.15245
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-05-25