Exploratory Landscape Analysis for Meta-Learning-Based Algorithm Selection in Continuous Optimization

doi:10.3390/make8100309

Exploratory Landscape Analysis for Meta-Learning-Based Algorithm Selection in Continuous Optimization

2026-10-01

0

OA

AI

DOI：10.3390/make8100309

原文链接

原文求助

摘要

En 中文

连续优化现借鉴大量且不断增长的竞争元启发式算法家族，包括差分进化谱系、协方差矩阵自适应策略、群智能方法和模拟退火等，但尚无单一方法能在各类问题上占据主导地位，这是“无免费午餐”定理的后果。这促使了算法选择的需求：为未见问题选择最可能表现最佳的方法。基于OptimSolution框架，我们构建了一个无头、可复现的批量执行流水线，并结合探索性景观分析（ELA），实现大规模、统计可靠的基准测试与基于特征的元学习。我们在统一的多次运行评估协议下，评估了一组来自不同算法家族但整体强度相当的优化器，跨越涵盖经典可扩展函数和既定竞赛测试套件的广泛基准套件。基于ELA特征训练的随机森林分类器，在留一问题交叉验证方案下验证，被证明能比朴素的单一最佳求解器（SBS）基线更准确地预测未见问题的最佳表现优化器，显著缩小了与理想虚拟最佳求解器（VBS）的差距。家族级分析进一步表明，结构化竞争基准和经典可扩展函数往往由不同求解器胜出，证实了底层选择问题的真实性而非表面性。这些结果表明，当候选方法来自异构但强度相当的算法家族时，景观感知选择能显著优于朴素策略。

Keyword:

Exploratory Landscape Analysis

continuous optimization

Random Forest classifier

decision tree

metaheuristics

algorithm selection

algorithm benchmarking

Exploratory Landscape Analysis for Meta-Learning-Based Algorithm Selection in Continuous Optimization

摘要

期刊

机构

引用论文