Core Concepts
Die empirische Erreichbarkeitsfunktion (EAF) bietet gegenüber der zielbasierten empirischen kumulativen Verteilungsfunktion (ECDF) mehrere Vorteile für die Analyse von Einzelziel-Black-Box-Optimierungsalgorithmen. Die EAF erfordert keine vordefinierten Zielwerte, erfasst Leistungsunterschiede genauer und ermöglicht die Verwendung zusätzlicher Zusammenfassungsstatistiken.
Abstract
Der Artikel untersucht die Verwendung der empirischen Erreichbarkeitsfunktion (EAF) für die Analyse von Einzelziel-Optimierern, die zuvor in der Literatur bereits betrachtet wurde. Es wird gezeigt, dass die zielbasierte ECDF eine Approximation der EAF ist und dass die EAF-basierte ECDF alle Vorteile der zielbasierten Methode hat, ohne deren Nachteil der Notwendigkeit vorgegebener Ziele.
Darüber hinaus wird gezeigt, dass die Fläche unter der EAF-basierten ECDF äquivalent zur Fläche unter der EAF selbst ist, was einer Messung der Anytime-Leistung entspricht. Dies ist vorteilhaft, da die Berechnung und Aktualisierung der EAF effizienter ist als die der ECDF.
Um die Verwendung der EAF für die Analyse von Einzelziel-Black-Box-Optimierern zu erleichtern, wurde eine Integration in die IOHanalyzer-Plattform vorgenommen. Die Verwendung der EAF wird anhand von Beispielen aus dem Black-Box-Optimierungs-Benchmark (BBOB) illustriert.
Stats
Die Fläche unter der Konvergenzkurve (AOCC) eines einzelnen Laufs ist äquivalent zur Fläche unter der EAF.
Die Differenz zwischen der zielbasierten ECDF und der EAF-basierten ECDF nimmt mit steigender Anzahl von Zielen schnell ab, ist aber selbst bei 51 Zielen noch messbar.
Die Rangfolgenunterschiede zwischen der zielbasierten ECDF und der EAF-basierten ECDF bleiben auch bei 51 Zielen erheblich.
Quotes
Keine relevanten Zitate identifiziert.