A Scalable Test Problem Generator for Sequential Transfer Optimization

要約

逐次転送最適化 (STO) は、データベースに保存されている以前に解決された最適化タスクから得られた知識を活用することによって最適化パフォーマンスを向上させることを目的としており、研究の注目が近年高まっています。
ただし、アルゴリズム設計が大幅に進歩したにもかかわらず、STO のテスト問題は適切に設計されていません。
多くの場合、これらは、同一の最適化を持つ他のベンチマーク関数によってランダムに組み立てられるか、限られた変動を示す実際的な問題から生成されます。
これらの問題におけるソース タスクとターゲット タスクの最適解間の関係は手動で構成されているため単調であり、現実世界の問題の多様な関係を表現する能力が制限されています。
その結果、これらの問題に対して多くのアルゴリズムによって得られる有望な結果は非常に偏っており、他の問題に一般化することが困難です。
これを考慮して、我々はまず、STO 問題 (STOP) を特徴付けるためのいくつかの基本的な概念を導入し、以前の研究では見落とされていた重要な問題の特徴、すなわち、ソース タスクとターゲット タスクの最適化の間の関係を定量的に描写する類似性分布を提示します。
次に、一般的な設計ガイドラインと拡張性に優れた問題生成ツールを提案します。
具体的には、パラメータ化された密度関数を変更することで問題の類似性分布を系統的にカスタマイズでき、現実世界の問題の多様な類似性関係を広範囲に表現できるようになります。
最後に、提案されたジェネレーターを使用して 12 の個別の STOP を含むベンチマーク スイートを開発します。これは、さまざまな STO アルゴリズムを比較するためのアリーナとして機能します。
ベンチマーク スイートのソース コードは、https://github.com/XmingHsueh/STOP で入手できます。

要約(オリジナル)

Sequential transfer optimization (STO), which aims to improve optimization performance by exploiting knowledge captured from previously-solved optimization tasks stored in a database, has been gaining increasing research attention in recent years. However, despite significant advancements in algorithm design, the test problems in STO are not well designed. Oftentimes, they are either randomly assembled by other benchmark functions that have identical optima or are generated from practical problems that exhibit limited variations. The relationships between the optimal solutions of source and target tasks in these problems are manually configured and thus monotonous, limiting their ability to represent the diverse relationships of real-world problems. Consequently, the promising results achieved by many algorithms on these problems are highly biased and difficult to be generalized to other problems. In light of this, we first introduce a few rudimentary concepts for characterizing STO problems (STOPs) and present an important problem feature overlooked in previous studies, namely similarity distribution, which quantitatively delineates the relationship between the optima of source and target tasks. Then, we propose general design guidelines and a problem generator with superior extendibility. Specifically, the similarity distribution of a problem can be systematically customized by modifying a parameterized density function, enabling a broad spectrum of representation for the diverse similarity relationships of real-world problems. Lastly, a benchmark suite with 12 individual STOPs is developed using the proposed generator, which can serve as an arena for comparing different STO algorithms. The source code of the benchmark suite is available at https://github.com/XmingHsueh/STOP.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google