Найти

Результаты поиска

• ВЛИЯНИЕ МЕТОДА ВЫБОРКИ НА ОЦЕНКУ ХАРАКТЕРИСТИК В АНАЛИЗЕ ЛАНДШАФТА ПОИСКА

  М.В. Пикалов

  2026-02-27

  Аннотация ▼

  Методы анализа ландшафта поиска (ELA) оценивают ландшафт приспособленности задачи в виде числовых дескрипторов, часто используемых для рекомендации оптимальных параметров алгоритма. Данное исследование изучает влияние методов и объёма выборки на аппроксимацию признаков ELA и последующую производительность моделей машинного обучения. Исследование демонстрирует, что эти аппроксимированные признаки не являются абсолютными характеристиками ландшафта, а существенно зависят от метода, использованного для генерации точек выборки. Хотя увеличение объёма выборки снижает дисперсию оценок признаков, сам выбор метода семплирования вносит значительное смещение, приводя к статистически различным значениям признаков для таких методов, как вихрь Мерсенна, латинский гиперкуб (LHS) и последовательности Фауре. Ключевой эксперимент включал предсказание параметров настраиваемой задачи W-model с использованием регрессионных моделей, обученных на признаках ELA. Результаты показали, что модели, обученные и протестированные на данных, полученных одним и тем же методом выборки, показали наилучшие результаты, что подчеркивает отсутствие совместимости между различными методами выборки. Примечательно, что квазислучайные последовательности Фауре давали наименьшую ошибку регрессии, превосходя распространенные методы, такие как равномерное случайное распределение и LHS. Более того, перекрёстная проверка выявила, что модели, особенно обученные на последовательностях Фауре, демонстрировали значительное падение производительности при тестировании на данных, полученных любым другим методом, что подтверждает: стратегия выборки накладывает специфический «отпечаток» на данные признаков. Полученные результаты ставят под сомнение стандартное использование распространенных методов выборки в ELA. Точность моделей машинного обучения для выбора и настройки алгоритмов сильно зависит от метода выборки, используемой для извлечения признаков. Следовательно, для обеспечения точности критически важно соблюдать согласованность между методами выборки, используемыми на этапах обучения модели и её практического применения. Высокая производительность последовательностей Фауре указывает на то, что подобные последовательности являются перспективным направлением для будущих исследований в области создания более надёжных и точных моделей на основе ELA.

• НАСТРОЙКА ПАРАМЕТРОВ ГЕНЕТИЧЕСКОГО АЛГОРИТМА ПРИ ПОМОЩИ АНАЛИЗА ЛАНДШАФТА ФУНКЦИИ ПРИСПОСОБЛЕННОСТИ И МАШИННОГО ОБУЧЕНИЯ

  М.В. Пикалов , А.М. Письмеров

  2024-05-28

  Аннотация ▼

  Выбор значений параметров в эволюционных алгоритмах сильно влияет на их производи-
  тельность. Многие популярные методы настройки параметров ограничены максимальным числом
  вычислений целевой функции для поиска хорошего набора значений параметров. Недавно был пред-
  ложен подход к выбору алгоритмов для решения оптимизационных задач, использующий анализ
  ландшафта функции приспособленности и машинное обучение для выбора оптимального алго-
  ритма решения задачи на основе особенностей ее ландшафта. Подобное применение анализа
  ландшафта функции приспособленности мотивирует на дальнейшие исследования, в частности,
  применительно к настройке параметров эволюционных алгоритмов. Использование признаков
  ландшафта функции приспособленности позволяет выявлять похожие задачи и использовать
  данные о настройке параметров, полученные при тестировании на эталоных задачах, что значи-
  тельно снижает число необходимых вычислений целевой функции при настройке. В этой работе
  на примере генетического алгоритма рассматривается подход к автоматическому
  выбору параметров с использованием анализа ландшафта целевой функции и машинного обучения.
  В предлагаемом решении оцениваются особенности ландшафта целевой функции поставленной
  задачи оптимизации и предлагаются оптимальные значения параметров алгоритма с помощью
  нейронной сети. Данная сеть была обучена на наборе данных об особенностях ландшафта, вы-
  раженных в виде числовых признаков и соответствующих им оптимальных наборов параметров
  алгоритма. В отличие от подходов к автоматическому выбору алгоритмов оптимизации для кон-
  кретной задачи, в данной работе рассматривается задача регрессии параметров алгоритма вме-
  сто проблемы классификации наиболее подходящего алгоритма из заданного набора. Результаты
  экспериментов на различных конфигурациях задачи W-model, а также на задачае MAX-3SAT пока-
  зывают, что предлагаемый подход к автоматическому выбору параметров с учетом ландшафта
  целевой функции может помочь определить подходящие значения статических параметров гене-
  тического алгоритма , так как алгоритм с предложенными значениями параметров
  превосходит другие рассмотренные варианты , в среднем требуя меньше вычисле-
  ний целевой функции для нахождения оптимума, чем остальные рассмотренные алгоритмы.