返回
Forecasting continuous optimization algorithm performance improvement within each run
DOI:10.1016/j.swevo.2026.102399.png)
摘要
En 中文
• 内部运行模型预测每个问题实例迭代中的未来性能提升。
• 使用缩放种群数据,确保对简单变换的不变性。
• 整合序列种群动态以预测性能改进。
• 使用LSTM时间序列模型捕捉缩放优化数据中的趋势。
• LSTM在预测性能提升方面始终优于基线模型。
Keyword:
Black-box optimization
Single-objective continuous optimization
Forecasting performance improvement
Runtime forecasting
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
暂无机构信息
引用论文
Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests (tsfresh - A Python package)基于可扩展假设检验的时间序列特征提取 (tsfresh-一个Python包)
NEUROCOMPUTING
IF6.5

