一篇新研究论文介绍了一种新颖的面向结构的重启策略MSC-CMA-ES，用于CMA-ES优化算法。与从搜索空间中均匀抽取重启的传统方法不同，MSC-CMA-ES将搜索空间划分为吸引盆，并使用局部缩放参数来启动重启。该方法在复合函数上表现出优越的性能，实现了BIPOP-CMA-ES目标覆盖率的2.7倍，并在基本函数上取得了最佳中值误差，但由于其侧重于景观发现，深度目标覆盖率有所降低。 AI
影响 这项研究可能为复杂的机器学习问题带来更有效的优化技术。
排序理由 该集群包含一篇详细介绍新算法及其在基准套件上评估的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
