Apr, 2022

AutoOpt: 一种自动设计元启发式算法解决优化问题的方法 ological 框架

PDF
TL;DR本研究针对优化问题，提出了一种基于自动设计元启发式算法的方法学框架 AutoOpt，该框架包含具有良好性能的算法性能评估标准、算法设计决策空间的一般架构、设计算法所用的混合图和实数表示以及无模型方法来进行设计过程。实测结果表明，AutoOpt 是一种有效和高效的设计元启发式算法的方法学框架。
metaheuristicsautomated algorithm designoptimization problemsdecision spacereal-world case study
发现论文，激发创造
  • 自动元启发式算法设计与自回归学习

    该研究提出了一种基于自回归学习的元启发式算法自动设计器，通过自动生成序列，可以全面发现元启发式算法的潜力并利用先前的设计经验，实现持续设计算法以解决开放式问题。在大量实验证明该设计器生成的算法在 25 个测试问题中超过了所有人类设计的基准算法，能适应不同问题处理环境并显示出各种结构和行为。

    May, 2024

  • 物理学启发的元启发式优化技术概述

    本章节系统讨论了模拟非线性物理过程的基于物理的元启发式算法，重点介绍了几种物理学基础元启发式算法及其背后的独特物理过程

    Jan, 2022

  • 黑盒单目标连续优化算法自动选择使用的元特征调查

    通过对单目标连续黑箱优化领域的算法选择的关键贡献进行概述，我们介绍了在优化问题实例、算法实例及其交互的元特征表示学习方面的正在进行的工作，并研究了用于自动算法选择、配置和性能预测的机器学习模型，通过这些分析，我们发现了现有技术的不足之处，并提出了进一步发展元特征表示的思路。

    Jun, 2024

  • 基于多目标自动设计算法的约束问题分量分析

    研究自动设计算法对多目标优化算法性能影响的新方法，发现重启和更新策略对性能改进影响最大，影响程度还与问题难度相关。

    Mar, 2022

  • Auto-Meta: 自动化基于梯度的元学习搜索

    研究表明，自动化架构搜索与基于梯度的元学习相结合，能够优化元学习器，使用此技术，预测准确率提高了 11.54%，在五次样本五种类的迷你图像分类问题中，最终的元学习器达到了 74.65％的准确率，是目前最先进的结果之一，也是在元学习背景下第一个成功的神经架构搜索。

    Jun, 2018

  • 自动机器学习的综合框架

    这篇综述旨在推广对自动化 / 自主机器学习系统的更广阔视角，并探讨整合各种机制和理论框架的最佳方式。主要介绍超参数优化、多组件模型、神经架构搜索、自动特征工程、元学习、多层集成、动态自适应、多目标评估、资源限制、灵活的用户参与和泛化原则的发展。最终得出结论，建立自动化机器学习系统的架构整合是一个值得更深入探讨的重要问题。

    Dec, 2020

  • 自动梯度提升

    本文提出了一种基于梯度提升和自动超参数调整的自动机器学习框架 (autoxgboost)，与目前的 AutoML 项目进行了比较，并在 16 个数据集上取得了可比较的结果和两个最佳表现。

    Jul, 2018

  • 人工智能中的元启发式算法及其在生物信息学、生物统计学、生态学和制造业中的应用

    应用竞争性带突变主体的自然启发元启发式算法（CSO-MA），在统计科学的各种优化问题中展示其灵活性和相对于竞争对手的出色表现。

    Aug, 2023

  • 自适应贝叶斯线性回归在自动化机器学习中的应用

    本文提出了一种元学习方法，利用先前的元数据自动搜索高性能的机器学习管道以完成模型选择和超参数优化，该方法结合自适应贝叶斯回归模型、神经网络基函数和贝叶斯优化的收获函数，能够在监督分类数据集上高效地搜索预定义的候选管道，实验结果表明，该方法在一系列测试数据集上能够快速确定高性能的机器学习管道，并胜过基线方法。

    Apr, 2019

  • AutoxgboostMC 的多目标自动机器学习

    提出了一种多准则的 AutoML 系统，优化了用户定义的辅助标准，以引导搜索达到最佳的机器学习流程，以此来满足人工智能应用中不同的需求。

    Aug, 2019