.png){kind=icon}
返回
Two Novel Instance Selection Methods Combining Algorithm Performance and Landscape Analysis: A Comparative Study in Continuous Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/TCYB.2025.3625095.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
一个可靠的基准库对于推动全局优化研究至关重要，因为它能够实现不同问题景观下优化算法的公平比较和严格测试。本文聚焦于实例选择方法，旨在为评估算法性能选择代表性问题。我们全面回顾了现有的实例选择方法，突出了它们的优势和局限性，特别是在平衡算法性能考量与利用探索性景观分析进行问题特征分析方面。基于这些见解，我们提出了两种新颖的实例选择方法，这些方法结合了算法性能数据和景观分析信息，以构建多样化和信息丰富的基准集。为进行评估，我们将我们的方法与四种现有的实例选择方法在最近扩展的DIRECTGOLib v2.0库上进行了基准测试。结果表明，所提出的方法能够有效识别捕获广泛问题特征的代表性实例，从而实现算法性能的更全面评估。这些发现对优化算法的开发与评估具有重要意义，最终为实际优化问题提供更可靠和稳健的解决方案做出贡献。
Keyword:
Algorithm performance
black-box global optimization
exploratory landscape analysis
instance selection methods
numerical benchmarking
期刊
IF:
10.5
论文数:
1.1W
被引数:
5.0W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏分享收藏Evolutionary Dynamic Multiobjective Optimization: Benchmarks and Algorithm Comparisons进化动态多目标优化: 基准和算法比较
PREAI
分享收藏分享收藏分享收藏Exploratory Landscape Analysis of Continuous Space Optimization Problems Using Information Content
PREAI
分享收藏MIPLIB 2017: data-driven compilation of the 6th mixed-integer programming libraryMIPLIB 2017: 第6个混合整数编程库的数据驱动编译
OAAI
OAAI分享收藏
查看更多内容