BriefGPT - AI 论文速递
·
AutoML 中用于序列超参数空间缩减的元级学习算法
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
介绍了一种修改后的LAB算法，通过引入轮盘赌方法和缩减系数，引入了群体间竞争并逐步缩小样本空间。该算法通过解决CEC 2005和CEC 2017的基准测试问题来验证，并使用双边和成对符号秩Wilcoxon检验以及Friedman秩检验对解决方案进行验证。该算法表现出更强的稳健性和搜索空间探索能力。此外，还提出了一种基于聚类的搜索空间缩减方法，使该算法能够解决约束问题。最后，将使用修改后的LAB算法所获得的结果与其他最新的元启发式算法进行比较。
🎯
关键要点
- 介绍了一种修改后的 LAB 算法，基于原始 LAB 算法。
- 通过引入轮盘赌方法和缩减系数，增强群体间竞争并缩小样本空间。
- 算法通过解决 CEC 2005 和 CEC 2017 的基准测试问题进行验证。
- 使用双边和成对符号秩 Wilcoxon 检验及 Friedman 秩检验对解决方案进行验证。
- 该算法表现出更强的稳健性和搜索空间探索能力。
- 提出了一种基于聚类的搜索空间缩减方法，能够解决约束问题。
- 该方法识别满足约束条件的可行区域聚类，展示了作为传统约束处理技术的有效性。
- 最后，将修改后的 LAB 算法的结果与其他最新的元启发式算法进行比较。
➡️
