.png){kind=icon}
返回
Towards complementing the algorithm selection process with performance estimation from low-dimensional knee-point data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102455.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
群智能（SI）在复杂现实世界优化问题中的应用，包括在无线传感器网络（WSNs）中出现的那些问题，在科学文献中已得到充分确立。已有超过400种SI算法被提出，数千项研究探讨了它们的应用、性能和特性，但尽管研究持续进行，为新优化问题选择最合适的算法仍然具有挑战性。本文研究了随着问题维度增加，SI算法的“拐点性能”如何演变，并提出了一种技术，利用低维问题实例预测全维情况下算法的相对排名，其中它们的性能趋势可以被可靠地识别。对于大多数测试的算法和问题，拐点性能在维度增加时遵循一致的“趋势类型”。我们确定了这种行为预期成立的条件，并观察到“趋势类型”取决于算法-问题对而非算法本身。所提出的技术在四种WSN拓扑结构上进行评估，而“趋势类型行为”的存在性则进一步使用九种经典基准函数进行了研究。该方法不估计精确的全维性能值，也不是作为独立的算法选择器。相反，它作为更广泛算法选择流程中的一个阶段，在创建算法组合之后操作，以在最终选择之前减少候选算法集，从而降低总体所需的计算预算。该方法的应用具有局限性，包括需要足够的维度范围以可靠地识别趋势、低维采样的不可忽略的计算成本，以及观察到的“趋势行为”在所有优化问题上的有限普适性。此外，高性能方差可能导致趋势误识别，从而过早或延迟淘汰候选算法。
Keyword:
Swarm intelligence
Algorithm selection
Performance trend analysis
Dimensionality scaling
Wireless sensor networks
Energy optimization
