要約
進化的計算(EC)ドメインの基礎として、差別的な進化(DE)は、挑戦的なブラックボックスの最適化の問題を処理する際のシンプルさと有効性で知られています。
DEの利点は十分に認識されていますが、ピーク性能を達成することは、突然変異因子、クロスオーバー確率、特定のDE戦略の選択などのハイパーパラメーターに大きく依存します。
このハイパーパラメーターのジレンマに対する従来のアプローチは、パラメーターの調整または適応メカニズムに傾いています。
ただし、特定の問題に合わせた最適な設定を特定することは、持続的な課題のままです。
これに応じて、メタレベルでDE自体を使用してDEの固有のハイパーパラメーターと戦略を進化させるアプローチであるMetadeを紹介します。
Metadeの極めて重要な側面は、特殊なパラメーター化手法であり、進化プロセス全体でDEのパラメーターと戦略を動的に変更する機能を備えています。
計算効率を高めるために、Metadeには、GPUアクセラル化コンピューティングフレームワークを介して並列処理を活用する設計が組み込まれています。
このようなフレームワーク内では、DEは単なるソルバーではなく、独自の構成のオプティマイザーでもあるため、ハイパーパラメーターの最適化と問題解決のプロセスがまとまりのある自動化されたワークフローに合理化されます。
CEC2022ベンチマークスイートの広範な評価は、Metadeの有望なパフォーマンスを示しています。
さらに、進化補強学習を介してロボット制御に適用されると、Metadeは有望なパフォーマンスも示しています。
Source Code of Metadeは、https://github.com/emigroup/metadeで公開されています。
要約(オリジナル)
As a cornerstone in the Evolutionary Computation (EC) domain, Differential Evolution (DE) is known for its simplicity and effectiveness in handling challenging black-box optimization problems. While the advantages of DE are well-recognized, achieving peak performance heavily depends on its hyperparameters such as the mutation factor, crossover probability, and the selection of specific DE strategies. Traditional approaches to this hyperparameter dilemma have leaned towards parameter tuning or adaptive mechanisms. However, identifying the optimal settings tailored for specific problems remains a persistent challenge. In response, we introduce MetaDE, an approach that evolves DE’s intrinsic hyperparameters and strategies using DE itself at a meta-level. A pivotal aspect of MetaDE is a specialized parameterization technique, which endows it with the capability to dynamically modify DE’s parameters and strategies throughout the evolutionary process. To augment computational efficiency, MetaDE incorporates a design that leverages parallel processing through a GPU-accelerated computing framework. Within such a framework, DE is not just a solver but also an optimizer for its own configurations, thus streamlining the process of hyperparameter optimization and problem-solving into a cohesive and automated workflow. Extensive evaluations on the CEC2022 benchmark suite demonstrate MetaDE’s promising performance. Moreover, when applied to robot control via evolutionary reinforcement learning, MetaDE also demonstrates promising performance. The source code of MetaDE is publicly accessible at: https://github.com/EMI-Group/metade.
arxiv情報
著者 | Minyang Chen,Chenchen Feng,and Ran Cheng |
発行日 | 2025-02-21 16:31:25+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google