本文提供了一套可被用来测试优化算法的 175 个未限制优化问题的测试函数集合，这套函数集具备多样性和独立性，并有望在未来用来验收新的优化算法。

Aug, 2013

本研究介绍了十个具有不同特性（包括噪声、不连续性、参数估计和未知路径）的新基准，用于测试新优化算法及其变种以评估其性能。

Aug, 2023

该论文提出了一种新的组合现有单目标问题的方法，构建具有多目标的测试问题套件，以更准确地评估多目标优化算法的性能，同时揭示了确定性和随机求解器之间比较性能的重要性。

Apr, 2016

本研究对 500 多个元启发式算法进行了详尽的调查，并重点比较了 11 个新的和 4 个已有的元启发式算法对 CEC2017 基准函数集的竞争性表现，结果显示 EBCM 性能优良，不输于现有的元启发式算法。

Dec, 2022

本文介绍了一个可访问、策划和开发的公共基准资源，用于促进不同机器学习方法的优缺点的识别。我们比较了这一资源中当前一组基准数据集的元特征，以表征可用数据的多样性。最后，我们应用了一些已经建立的机器学习方法到整个基准套件，并分析数据集和算法在性能方面是如何聚类的。该工作是了解流行基准套件的限制并开发将现有的基准标准与未来更多样化和有效标准相连接的资源的重要第一步。

Mar, 2017

本文系统地回顾了优化算法基准测试的过程，并讨论了公正比较的挑战。我们提供了每个步骤的建议并强调了评估优化算法性能时要避免的陷阱。我们还讨论了各种报告基准测试结果的方法。最后，提出了一些未来研究的建议以改进当前的基准测试过程。

Sep, 2017

本文提出了两个度量贝叶斯优化方法性能的分类机制，并通过测试函数模仿超参数优化问题，解决特定性质的函数，如振荡行为或域边界最优。

Mar, 2016

在生物物理序列优化方面，提出了一种新的封闭测试函数类 (Ehrlich 函数) 以及相似几何性质，通过实证结果证明这些函数是有趣的研究对象且使用标准的遗传优化基准方法解决它们是非平凡的。

Jun, 2024

利用遗传规划（GP）生成新的优化基准函数，通过利用 Wasserstein 距离和 MAP-Elites 方法，我们展示 GP 生成的基准函数能够更好地区分算法，并自动设计、比较进化算法。

Mar, 2024

本文提出了一个新的竞争性算法基准测试，AlgoPerf：训练算法基准测试，在多个工作负载上运行固定的硬件，解决了评估训练算法改进的三个基本挑战，包括如何确定训练何时结束和精确测量训练时间，如何处理测量对确切工作负载细节的敏感性，以及如何公平比较需要超参数调整的算法。在本基准测试中，评估了基线结果和各种优化器构建的基线提交，最终证明了新基准测试的可行性。

Jun, 2023