Metaheuristic Hyperparameter Optimization Using Optimal Latin Hypercube Sampling and Response Surface Methodology

Daniel Alberto Pamplona

doi:10.3390/a18120732

2025-11-21

Daniel Alberto Pamplona *

Mateus Habermann

Sérgio Bruno Araújo Rebouças

Cláudio Jorge Pinto Alves

DOI：10.3390/a18120732

原文链接

原文求助

摘要

En 中文

超参数允许元启发式算法被调整以适应广泛的问题。然而，尽管元启发式参数的正式调整会影响解的质量，但这种情况很少发生。经验选择方法和试错法是优化启发式算法的主要传统参数选择技术。两者都需要问题的事先知识，并涉及需要大量时间和精力的多次实验，但都不能保证获得最优参数值。在执行正式参数调整的研究中，实验设计是最常用的方法。尽管实验设计适用于系统性实验，但对于大型优化问题，它既耗时又需要大量精力。本研究中的计算工作量指的是进行超参数调整所需的实验运行次数，而不是每次运行的计算时间。本研究提出了一种基于优化拉丁超立方采样（OLHS）技术并结合响应面法的方法，用于估计混合模拟退火算法的最佳超参数设置。该方法应用于解决具有时间窗口的飞机着陆问题（ALPTW），这是一个组合优化问题，旨在确定在预定时间窗口内满足最小间隔标准的最优着陆顺序。结果表明，所提出的方法提高了采样效率，在样本点数量减少70%且总运行次数仅为完全析因设计的30%的情况下，提供了更好的覆盖率和更高的准确性。

Keyword:

metaheuristics

feature-based automatic tuning

parameter optimization

hyperparametrization