研究自动化算法配置的困境及解决方案,提出了避免实验设计问题和达到最新性能的最佳实践,并介绍了可处理多个问题的工具 GenericWrapper4AC。
May, 2017
该论文介绍了关于算法配置问题的各种变体和方法,提出了用于描述算法配置问题和配置方法特征的分类法,并在此基础上回顾了已有的算法配置文献,提出了各种配置方法的设计选择,以及针对不同问题变体的对比方法,最终总结了行业中算法配置的现状并为未来研究提供了方向。
Feb, 2022
算法优化领域已经通过自动配置算法参数的方法显著进展。本文深入研究了算法配置问题,重点优化针对特定决策 / 优化问题实例的参数化算法。我们提出了一个全面的框架,不仅形式化了算法配置问题,还概述了利用机器学习模型和启发式策略解决该问题的不同方法。本文将已有的方法论分为按实例和按问题的方法,并区分了模型构建和部署的离线和在线策略。通过综合这些方法,我们旨在为理解和应对算法配置中固有的复杂性提供清晰的路径。
Mar, 2024
本文探讨了自动算法配置 (AAC) 中的性能估计问题,首先证明了在实际设置中的通用最佳性能估计器,然后分别考虑了有限和无限配置空间,建立了估计误差的理论界限,并在四个涉及不同问题领域的算法配置情景中进行了广泛的实验验证。此外,本文还提出了加强现有 AAC 方法的见解。
Nov, 2019
文章主要介绍了一个新兴的自动化动态算法配置(DAC)领域,总结了相关先前的研究成果和现有的解决方法,并进行了以进化优化、人工智能规划和机器学习为例的实证案例研究。
May, 2022
我们提出了一种基于机器学习和优化的方法来选择给定实例的求解器配置。通过使用一组求解实例和配置来学习求解器的性能函数,然后利用学习得到的信息构建一个混合整数非线性规划问题,在未知实例到达时解决该问题,以找到基于性能函数的最佳求解器配置。我们的方法的主要创新在于将配置集搜索问题定义为数学规划问题,这使得我们可以有效地通过现成的优化工具强制执行配置的依赖和兼容性约束,并高效地解决该问题。
Jan, 2024
本文描述了一种自动化算法配置框架,其中提供了用于通过变化一组序数和 / 或分类参数来优化目标算法在给定问题实例类上的性能的方法,并提供了用于加速本地搜索的算法配置过程的新技术,同时通过对 SAT 的完整和不完整算法进行配置,评估了我们方法的结果,同时还提供了关于自动配置 CPLEX 混合整数规划求解器的首个已知结果。
Jan, 2014
本文介绍了如何通过松弛问题来启动量子优化,并研究其性质,以实现与经典算法相当的性能保证。在组合优化问题中,这种启动方式特别有益,可以加速 QAOA 的求解。
Sep, 2020
本篇论文探讨了如何利用 MaxSAT solver 的不同参数配置并进行实验,特别地,我们将多种非竞争性求解器配置相结合以获得更好的解决方案。
Jun, 2023
我们介绍了一个机器学习框架,用于启动固定点优化算法;我们的架构由一个神经网络和一定数量的固定点迭代组成;我们提出了两个损失函数,其中一个用于最小化固定点残差,另一个用于最小化到参考解的距离;我们的架构具有灵活性,可以预测任意步骤下的固定点算法的启动;我们提供了对常见类别的固定点算子(收敛、线性和平均)的未见数据的 PAC-Bayes 泛化界限;将该框架应用于控制、统计和信号处理等领域的知名应用可以显著减少求解这些问题所需的迭代次数和解决时间。
Sep, 2023