AutoOpt: A General Framework for Automatically Designing Metaheuristic Optimization Algorithms with Diverse Structures

要約

タイトル: 多様な構造を持つメタヒューリスティック最適化アルゴリズムを自動的に設計する一般的なフレームワークAutoOpt

要約:
– メタヒューリスティックは、従来の解決策が厳密な数学的仮定を満たさない難しい問題に対する勾配なしのソルバーとして広く認知されています。
– メタヒューリスティックアルゴリズムの自動設計は、人間が作成したアルゴリズムを超えた高い性能を得ることができ、手動設計の労力を軽減する魅力的な方法を提供します。
– しかし、現在の自動設計パイプラインにおける特定のアルゴリズムのプロトタイプと線形アルゴリズム表現は、固定されたアルゴリズム構造内で設計が制限され、メタヒューリスティックファミリー全体での新しさや多様性の発見を妨げています。
– この課題に対処するために、この論文では、多様な構造を持つメタヒューリスティックアルゴリズムを自動的に設計する一般的なフレームワークであるAutoOptを提案しています。
– AutoOptには、次の3つの革新が含まれています。 (i) メタヒューリスティックファミリーを可能な限り幅広くカバーする一般的なアルゴリズムプロトタイプ。これにより、ファミリー全体での潜在能力と新機能を完全に発見することにより、異なる問題に対する高品質な自動設計が促進されます。(ii) 提案されたプロトタイプに合わせた有向非循環グラフアルゴリズム表現。柔軟性と変化性により、設計の単一実行で様々なアルゴリズム構造を発見することができ、高性能アルゴリズムを発見する可能性が高くなります。(iii) グラフ表現埋め込み法は、操作のための別のコンパクトなグラフ形式を提供し、AutoOptの一般性を保証します。
– 数値関数や実際のアプリケーションでの実験により、AutoOptの効率と実践性が検証されています。

要約(オリジナル)

Metaheuristics are widely recognized gradient-free solvers to hard problems that do not meet the rigorous mathematical assumptions of conventional solvers. The automated design of metaheuristic algorithms provides an attractive path to relieve manual design effort and gain enhanced performance beyond human-made algorithms. However, the specific algorithm prototype and linear algorithm representation in the current automated design pipeline restrict the design within a fixed algorithm structure, which hinders discovering novelties and diversity across the metaheuristic family. To address this challenge, this paper proposes a general framework, AutoOpt, for automatically designing metaheuristic algorithms with diverse structures. AutoOpt contains three innovations: (i) A general algorithm prototype dedicated to covering the metaheuristic family as widely as possible. It promotes high-quality automated design on different problems by fully discovering potentials and novelties across the family. (ii) A directed acyclic graph algorithm representation to fit the proposed prototype. Its flexibility and evolvability enable discovering various algorithm structures in a single run of design, thus boosting the possibility of finding high-performance algorithms. (iii) A graph representation embedding method offering an alternative compact form of the graph to be manipulated, which ensures AutoOpt’s generality. Experiments on numeral functions and real applications validate AutoOpt’s efficiency and practicability.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI