×
马克·考夫曼;马克西姆·拉彻;约翰内斯·伦格勒;邹迅

OneMax不是最简单的健身功能。 （英语） Zbl 07787620号

Pérez Cáceres，Leslie（编辑）等人，组合优化中的进化计算。第23届欧洲会议，EvoCOP 2023，作为EvoStar 2023的一部分，于2023年4月12日至14日在捷克共和国布尔诺举行。诉讼程序。查姆：斯普林格。莱克特。注释计算。科学。13987, 162-178 (2023).
摘要：我们研究了控制（（1，lambda）-EA种群大小的（1:s+1）成功规则。Hevia Fajardo和Sudholt表明，如果健身环境过于简单，这种参数控制机制可能会在很大程度上遇到问题。他们推测这个问题对OneMax（一个最大值）基准，因为在某种公认的意义上OneMax（一个最大值）被认为是最容易的健身景观。
在本文中，我们反驳了这个猜想。我们证明了存在（s）和（varepsilon）使得具有（1:s+1）规则的自调整（（1，lambda）-EA优化OneMax（一个最大值）当以\（\varepsilon n \）零位开始时有效，但在多项式时间内找不到动态BinVal因此，我们表明，在某些景观中，用于控制\（1，\lambda）\）-EA种群大小的\（1:s+1）\）-规则的问题比OneMax（一个最大值）关键观点是OneMax（一个最大值）是将距离减小到最佳值的最简单函数，它是不最简单的健身景观是找到合适的健身方法-改进步骤。
关于整个系列，请参见[Zbl 1528.90005号].

引用于1文件

MSC公司：

68瓦50 进化算法、遗传算法（计算方面）
90C27型 组合优化
90 C59 数学规划中的近似方法和启发式

关键词：

参数控制;OneMax（一个最大值）;自我适应;\（（1，\lambda）\）-EA;五分之一规则;动态环境;进化算法
PDF格式BibTeX公司 XML格式引用
\textit{M.Kaufmann}等人，Lect。注释计算。科学。13987、162--178（2023；Zbl 07787620）
全文： 内政部 arXiv公司

参考文献：

[1] Antipov，D.，Doerr，B.，Yang，Q.：（mu，lambda）EA后代种群大小的效率阈值。摘自：遗传与进化计算会议（GECCO），第1461-1469页（2019年）
[2] Auger，A.：在BBOB-2009功能测试台上用五分之一的成功规则对（1+1）进化策略进行基准测试。摘自：遗传与进化计算会议（GECCO），第2447-2452页（2009年）
[3] Badkobeh，G。；Lehre，PK公司；Sudholt，D。；Bartz-Beielstein，T。；布兰克，J。；菲利皮奇，B。；Smith，J.，《并行搜索的无偏黑盒复杂性》，《自然中的并行问题解决》，PPSN XIII，892-901（2014），Cham:Springer，Cham·数字对象标识代码：10.1007/978-3-319-10762-288
[4] Böttcher，S。；多尔，B。；Neumann，F。；谢弗（Schaefer，R.）。；科塔，C。；Kołodziej，J。；Rudolph，G.，《领先者问题的最佳固定和自适应突变率》，《自然中的并行问题解决》，PPSN XI，1-10（2010），海德堡：斯普林格·doi:10.1007/978-3642-15844-5_1
[5] Colin，S.，Doerr，B.，Férey，G.：EC中的单调函数：除了单调之外的任何函数！摘自：遗传与进化计算会议（GECCO），第753-760页（2014年）
[6] 康力斯，D。；He，J。；Jansen，T。；奥利维托，PS；Sudholt，D。；Zarges，C.，《生物激励优化中变异算子的最简单函数》，Algorithmica，78，2，714-740（2017）·Zbl 1366.68257号 ·doi:10.1007/s00453-016-0201-4
[7] Devroye，L.：复合随机搜索。博士论文，印第安纳州西拉斐特普渡大学（1972年）
[8] Doerr，B.，随机优化启发式分析的概率工具，进化计算理论，1-87（2020），查姆：施普林格，查姆·doi:10.1007/978-3-030-29414-4_1
[9] 多尔，B。；Doerr，C.，《离散黑盒优化的参数控制理论：通过动态参数选择可证明的性能增益》，《进化计算理论》，271-321（2020），Cham:Springer，Cham·Zbl 1429.68004号 ·doi:10.1007/978-3-030-29414-46
[10] 多尔，B。；多尔，C。；Ebel，F.，从黑盒复杂性到设计新的遗传算法，Theor。计算。科学。，567, 87-104 (2015) ·Zbl 1314.68290号 ·doi:10.1016/j.tcs.2014.11.028
[11] 多尔，B。；多尔，C。；Lengler，J.，具有可证明最优成功规则的自调整突变率，《算法》，83，10，3108-3147（2021）·兹比尔1518.68438 ·doi:10.1007/s00453-021-00854-3
[12] 多尔，B。；多尔，C。；Yang，J.，通过精确黑盒分析选择最佳参数，Theor。计算。科学。，801, 1-34 (2020) ·Zbl 1436.68408号 ·doi:10.1016/j.tcs.2019.06.014
[13] 多尔，B。；Johannsen，D。；Winzen，C.，乘法漂移分析，算法，64，673-697（2012）·Zbl 1264.68220号 ·doi:10.1007/s00453-012-9622-x
[14] 多尔，B。；维特，C。；Yang，J.，自适应突变率的运行时分析，Algorithmica，83，4，1012-1053（2021）·Zbl 1511.68353号 ·doi:10.1007/s00453-020-00726-2
[15] Doerr，C.，Wagner，M.：两个经典离散黑盒优化基准问题的简单实时参数选择机制。摘自：遗传与进化计算会议（GECCO），第943-950页（2018年）
[16] Droste，S.，《线性函数紧凑遗传算法的严格分析》，自然计算。，5, 3, 257-283 (2006) ·兹比尔1113.68100 ·doi:10.1007/s11047-006-9001-0
[17] 艾本，AE；Hinterding，R。；Michalewicz，Z.，进化算法中的参数控制，IEEE Trans。进化。计算。，3, 124-141 (1999) ·doi:10.1109/4235.771166
[18] He，J。；Chen，T。；Yao，X.，关于最简单和最难的健身功能，IEEE Trans。进化。计算。，19, 2, 295-305 (2014) ·doi:10.1109/TEVC.2014.2318025
[19] Hevia Fajardo，M.A.，Sudholt，D.：非精英进化算法的自我调整人口规模：为什么成功率很重要。arXiv预打印arXiv:2104.05624（2021）·Zbl 07526448号
[20] Hevia Fajardo，M.A.，Sudholt，D.：非精英进化算法的自我调整人口规模：为什么成功率很重要。摘自：遗传与进化计算会议（GECCO），第1151-1159页（2021年）
[21] 詹森，T。；史蒂芬斯，CR；杜桑，M。；Whitley，D。；PF Stadler，《进化算法的脆弱性》，《遗传算法基础》，54-69（2007），海德堡：施普林格出版社·兹比尔1196.68193 ·doi:10.1007/978-3-540-73482-64
[22] 考夫曼（Kaufmann，M.）、拉切尔（Larcher，M。arXiv预打印arXiv:2204.07017（2022）
[23] Kaufmann，M.、Larcher，M.，Lengler，J.、Zou，X.：单调函数上的\（1，\lambda）\）-EA的自调整种群大小（2022）。https://arxiv.org/abs/2204.00531 ·Zbl 07755511号
[24] Kaufmann，M.、Larcher，M.，Lengler，J.、Zou，X.：单调函数上的\（1，\lambda）\）-EA的自调整种群大小。收录：Rudolph，G.、Kononova，A.V.、Aguirre，H.、Kerschke，P.、Ochoa，G.和Tusar，T.（编辑）《自然并行问题解决（PPSN）XVII》。PPSN 2022。计算机科学课堂讲稿，第13399卷，第569-585页。查姆施普林格（2022）。doi:10.1007/978-3-031-14721-0_40
[25] 科恩，S。；米勒，SD；Hansen，N。；Büche，D。；Ocenasek，J。；Koumoutsakos，P.，《连续进化算法中的学习概率分布——比较综述》，《自然计算》。，3, 1, 77-112 (2004) ·Zbl 1074.68063号 ·doi:10.1023/B:NACO.0000023416.59689.4e
[26] Kötzing，T.，加性漂移下的首次命中时间集中，算法，75，3，490-506（2016）·Zbl 1348.68229号 ·doi:10.1007/s00453-015-0048-0
[27] Lehre，P.，Qin，X.：不确定环境中非精英进化算法的更精确运行时分析。算法1-46（2022）。doi:10.1007/s00453-022-01044-5
[28] Lengler，J.，单调函数进化算法的一般二分法，IEEE Trans。进化。计算。，24, 6, 995-1009 (2019) ·doi:10.1109/TEVC.2019.2917014
[29] Lengler，J.，漂移分析，进化计算理论，89-131（2020），查姆：Springer，查姆·doi:10.1007/978-3-030-29414-42
[30] Lengler，J。；Meier，J。；Bäck，T.，《大种群规模和动态环境中的交叉帮助》，《来自自然的并行问题解决》-PPSN XVI，610-622（2020），Cham:Spriger，Cham·doi:10.1007/978-3-030-58112-1_42
[31] Lengler，J。；里迪，S。；扎吉斯，C。；Verel，S.，动态BinVal函数上\（（\mu+1）\）-EA的运行时分析，组合优化中的进化计算，84-99（2021），Cham:Spriger，Cham·Zbl 1474.68474号 ·数字对象标识代码：10.1007/978-3-030-72904-26
[32] Lengler，J.，Schaller，U.：带随机正权的带噪线性函数的（1+1）-EA。摘自：计算智能（SSCI）系列研讨会，第712-719页。IEEE（2018）
[33] 奥利维托，P。；Witt，C.，关于简单遗传算法的分析，Theor。计算。科学。，545, 2-19 (2014) ·Zbl 1342.68310号 ·doi:10.1016/j.tcs.2013.06.015
[34] Rechenberg，I。；施耐德，B。；Ranft，U.，《进化战略，医学与生物模拟方法》，83-114（1978），柏林：施普林格出版社，柏林·Zbl 0385.92001号 ·doi:10.1007/978-3-642-81283-58
[35] JE Rowe；Sudholt，D.，在\（1，\lambda）\）进化算法中对后代种群大小的选择，Theor。计算。科学。，545, 20-38 (2014) ·Zbl 1360.68788号 ·doi:10.1016/j.tcs.2013.09.036
[36] 舒默，M。；Steiglitz，K.，自适应步长随机搜索，IEEE Trans。自动。控制，13，3，270-276（1968）·doi:10.1109/TAC.1968.1098903
[37] Sudholt，D.，进化算法运行时间下限的新方法，IEEE Trans。进化。计算。，17, 3, 418-435 (2012) ·doi:10.1109/TEVC.2012.2202241
[38] Witt，C.，线性函数随机搜索启发式优化时间的紧界，Comb。普罗巴伯。计算。，22, 2, 294-318 (2013) ·Zbl 1258.68183号 ·doi:10.1017/S09635484831200600
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。