BBOB
PulseAugur coverage of BBOB — every cluster mentioning BBOB across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
语言模型通过实践学习搜索策略，可文本化迁移
研究人员开发了一种名为Code-to-Harness的方法，使语言模型能够通过实践学习数值搜索策略，然后将这些策略提炼成文本。该方法显著降低了黑盒优化任务中的遗憾，其表现优于未受辅助的语言模型，并可与经典优化器相媲美。提炼出的文本策略可跨不同模型迁移，包括Gemini Flash和Claude Sonnet，并在真实世界的生产基准测试中显示出有效性。
-
JANUS模块通过雅各比对齐增强黑盒优化
研究人员开发了JANUS，一个新颖的即插即用模块，旨在增强基于种群的优化器，如CMA-ES。JANUS从最近的评估轨迹中提取局部几何信号，而无需替换宿主优化器，并为开发和探索候选者估计局部雅各比矩阵。该方法在各种维度上显著多数的BBOB函数上提高了性能，并在结构化和多目标任务（包括无人机路径规划）上取得了最佳结果，且没有离线训练成本。
-
新方法使用代码复杂度来表征优化问题
研究人员开发了一种通过分析其程序化表示的复杂度来表征优化问题的新方法。该方法使用 Halstead 体积和代码熵等度量，这些度量可以快速计算且对变换不变。该研究将这些度量应用于 BBOB 套件和前馈神经网络训练，发现与算法性能呈负相关，表明它们作为算法选择和分析的预测元特征的效用。
-
SOMA和差分进化算法的新分析已发布
本文介绍了一种算子选择分解方法，用于分析自组织迁移算法（SOMA）和差分进化（DE）算法的提议几何。研究表明，标准的SOMA提议在搜索空间中是仿射的，在增强状态下是线性的，并提供了插值、投影和掩码的解释。对于DE/rand/1/bin，本文推导了有限种群矩，并表征了协方差和坐标依赖性。在BBOB基准测试上的实验表明，几何控制和旋转感知的SOMA变体优于标准的SOMA，并与已建立的DE方法具有竞争力。
-
新的无监督多核学习方法用于自动化算法选择
研究人员开发了一种新颖的无监督多核学习方法，用于黑盒优化的自动化算法选择。该方法在聚类阶段不依赖性能标签，而是根据异构景观表示对问题实例进行分组。该方法利用多核k-means公式，在四个不同的景观视图（ELA、DeepELA、DoE2Vec和TransOptAS）中学习聚类分配和核权重。在差分进化和粒子群优化任务上的评估表明，这种无监督方法取得了强大的性能，特别是对于差分进化，并且在粒子群优化方面与领先的基线方法相比仍具有竞争力。
-
BayesEvolve框架通过显式信念状态增强自主科学发现
研究人员推出BayesEvolve，一个旨在通过整合显式、感知不确定性的信念状态来增强自主科学发现的新框架。与仅依赖实验记忆的系统不同，BayesEvolve将证据转化为预测性信念状态，以指导未来的实验。在BBOB风格的优化任务上的评估表明，与记忆引导的LLM基线相比，BayesEvolve提高了样本效率。
-
CMA-ES 停止准则性能分析
本文分析了 CMA-ES 黑盒优化算法中 11 种不同停止准则的有效性。研究人员在 BBOB 函数集上对这些准则进行了定量评估，重点关注它们在不浪费计算资源的情况下准确确定何时停止搜索过程的能力。研究发现，`tolflatfitness` 和 `tolfun` 经常是第一个被触发的准则，而 `tolfunhist` 和准则的组合组合实现了最高的停止准确性。
-
算法选择模型在现实世界泛化能力方面接受测试
研究人员评估了算法选择模型在现实世界中的泛化能力，该模型旨在为给定问题自动选择最佳优化算法。他们的研究使用了来自机器人学和无人机路径规划的合成基准和真实世界数据集。研究结果揭示了这些模型在不同领域之间迁移时成功和失败的地方，突显了将其应用于特定、现实场景的挑战。