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、以前に解決されたいくつかの最適化タスクから得られた知識を活用することで、対象タスクの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、研究の注目が年々高まっています。
しかし、アルゴリズム設計の目覚ましい進歩にもかかわらず、STO アルゴリズムを包括的に比較するための体系的なベンチマーク スイートの開発はあまり注目されていませんでした。
既存のテスト問題は、他のベンチマーク関数を組み立てることによって単純に生成されるか、拡張性が限られた特定の実際的な問題から拡張されたものです。
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も、多くの場合手動で構成され、現実世界の問題で示されるさまざまな類似関係をモデル化する能力が制限されます。
したがって、これらの問題に対してアルゴリズムによって達成される良好なパフォーマンスには偏りがある可能性があり、他の問題に一般化するのは困難です。
上記を考慮して、この研究では、まず STO 問題を特徴付けるための 4 つの概念を導入し、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重要な問題の特徴、すなわち類似性分布を提示します。
次に、STO 問題の一般的な設計ガイドラインと、優れたスケーラビリティを備えた特定の STO 問題生成ツールを紹介します。
具体的には、問題の類似性分布を簡単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連続的にスペクトルで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、さまざまなカスタマイズされた類似性関係を特徴とする 12 の STO 問題を含むベンチマーク スイートを開発します。
問題ジェネレーターのソース コードは、https://github.com/XmingHsueh/STOP-G で入手できます。

要約(オリジナル)

Sequential transfer optimization (STO), which aims to improve the optimization performance on a task of interest by exploiting the knowledge captured from several previously-solved optimization tasks stored in a database, has been gaining increasing research attention over the years. However, despite the remarkable advances in algorithm design, the development of a systematic benchmark suite for comprehensive comparisons of STO algorithms received far less attention. Existing test problems are either simply generated by assembling other benchmark functions or extended from specific practical problems with limited scalability. The relationships between the optimal solutions of the source and target tasks in these problems are also often manually configured, limiting their ability to model different similarity relationships presented in real-world problems. Consequently, the good performance achieved by an algorithm on these problems might be biased and hard to be generalized to other problems. In light of the above, in this study, we first introduce four concepts for characterizing STO problems and present an important problem feature, namely similarity distribution, which quantitatively delineates the relationship between the optima of the source and target tasks. Then, we present the general design guidelines of STO problems and a particular STO problem generator with good scalability. Specifically, the similarity distribution of a problem can be easily customized, enabling a continuous spectrum of representation of the diverse similarity relationships of real-world problems. Lastly, a benchmark suite with 12 STO problems featured by a variety of customized similarity relationships is developed using the proposed generator. The source code of the problem generator is available at https://github.com/XmingHsueh/STOP-G.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google