Resumen: la predicción del rendimiento del algoritmo automatizado en la optimización numérica de Blackbox a menudo se basa en caracterizaciones de problemas, como las características de análisis de paisajes exploratorios. Estas características se usan típicamente como entradas para los modelos de aprendizaje automático y se representan en un formato tabular. Sin embargo, tales enfoques a menudo pasan por alto las configuraciones de algoritmo, un factor clave que influye en el rendimiento. Las relaciones entre los operadores de algoritmo, los parámetros, las características del problema y los resultados de rendimiento forman una estructura compleja mejor representada como un gráfico. Este trabajo explora el uso de estructuras de datos de gráficos heterogéneos y redes neuronales gráficas para predecir el rendimiento de los algoritmos de optimización al capturar las complejas dependencias entre problemas, configuraciones de algoritmos y resultados de rendimiento. Nos centramos en dos marcos modulares, ModCMA-ES y Modde, que descomponen dos algoritmos de optimización sin derivados ampliamente utilizados: la estrategia de evolución de adaptación de la matriz de covarianza (CMA-ES) y la evolución diferencial (DE). Evaluamos 324 variantes MODCMA-ES y 576 MODDE en 24 problemas BBOB en seis presupuestos de tiempo de ejecución y dos dimensiones de problemas. Al lograr una mejora de hasta un 36,6% en MSE sobre los métodos tradicionales basados en tablar, este trabajo resalta el potencial del aprendizaje geométrico en la optimización de la caja negra.
Publicado Originalme en export.arxiv.org El 22 de junio de 2025.
Ver Fuente Original
