[Ingediend op 4 mei 2020]

PDF downloaden

Abstract: Niet alle zoekalgoritmen voor genereren en testen zijn gelijk gemaakt. Bayesiaans
Optimalisatie (BO) investeert veel rekentijd om de kandidaat te genereren
oplossing die de voorspelde waarde en de gegeven onzekerheid het beste met elkaar in evenwicht brengt
eerdere gegevens, die steeds meer tijd in beslag nemen als het aantal evaluaties
uitgevoerd groeit. Evolutionaire algoritmen (EA) vertrouwen daarentegen op zoeken
heuristieken die doorgaans niet afhankelijk zijn van alle eerdere gegevens en die kunnen worden uitgevoerd
constante tijd. Zowel de BO- als EA-gemeenschap beoordelen doorgaans hun prestaties
als functie van het aantal evaluaties. Dit is echter oneerlijk als we eenmaal
begin de efficiëntie van deze klassen van algoritmen te vergelijken, als de overhead
tijden om kandidaat-oplossingen te genereren zijn aanzienlijk verschillend. Wij stellen voor
om de efficiëntie van zoekalgoritmen voor het genereren en testen te meten als de
verwachte winst in de objectieve waarde per eenheid berekende tijd. Wij
merk op dat de voorkeur van een te gebruiken algoritme kan veranderen na een
aantal functie-evaluaties. We stellen daarom een ​​nieuw algoritme voor, een
combinatie van Bayesiaanse optimalisatie en een evolutionair algoritme, BEA voor
kortom, dat begint met BO, zet vervolgens kennis over naar een EA en vervolgens
beheert de EA. We vergelijken de BEA met BO en de EA. De resultaten laten zien dat BEA
presteert beter dan zowel BO als de EA in termen van tijdefficiëntie, en uiteindelijk
leidt tot betere prestaties op bekende benchmark-objectieffuncties met
veel lokale optima. Bovendien testen we de drie algoritmen op negen testgevallen van
robotleerproblemen en ook hier zien we dat BEA het beter doet dan de ander
algoritmen.