動的アルゴリズム構成のための理論にヒントを得たパラメータ制御ベンチマーク【JST・京大機械翻訳】

Biedenkapp Andre; Dang Nguyen; Krejca Martin S.; Hutter Frank; Doerr Carola

プレプリント

J-GLOBAL ID：202202214913940444 整理番号：22P0285871

動的アルゴリズム構成のための理論にヒントを得たパラメータ制御ベンチマーク【JST・京大機械翻訳】

Theory-inspired Parameter Control Benchmarks for Dynamic Algorithm Configuration

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年02月07日プレプリントサーバーでの情報更新日： 2022年04月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

進化アルゴリズムと他のランダム化探索ヒューリスティックスの性能は,それらの最適化挙動を操縦するパラメータの非静的選択から利益を得ることができることが長い間観察された。フライ(”パラメータ制御”)または専用訓練プロセス(動的アルゴリズム構成)による適切な構成を同定する機構は,従って現代の進化計算フレームワークの重要な構成要素である。動的パラメータ設定問題に対処するいくつかのアプローチが存在するが,どのアプリケーションが好ましいかをほとんど理解する。古典的ベンチマーキングのように,既知のグランドトルースによる問題収集は,この文脈において非常に重要な洞察を提供できる。残念なことに,よく理解された制御政策による設定は非常に稀である。どのパラメータ設定が期待実行時間を最小化するかを知っている少数の例外の一つは,リードOnes問題である。可能な値の与えられたポートフォリオからのみパラメータを選択できる最適制御政策を分析することによって,このベンチマークを拡張した。これはまた,与えられたサイズの最適パラメータポートフォリオを計算することができる。動的アルゴリズム構成に対するDDQN強化学習手法の挙動を解析することにより,ベンチマークの有用性を実証した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る