Parameter tuning is basically a general optimization problem
applied o-line to nd the best parameters for complex
algorithms, for example for Evolutionary Algorithms (EAs).
Whereas the eciency of EAs has been demonstrated on
several application domains [29, 18], they usually need computationally
expensive parameter tuning. Consequently, one
is tempted to use either the default parameters of the framework
he is using, or parameter values given in the literature
for problems that are similar to his one.
Being a general optimization problem, there are as many
parameter tuning algorithms as optimization techniques [7,
19]. However, several specialized methods have been proposed,
and the most prominent ones today are Racing [5],
REVAC [21], SPO [2], and ParamILS [14]. All these approaches
face the same crucial generalization issue: can a
parameter set that has been optimized for a given problem
be successfully used for another one? The answer of course
depends on the similarity of both problems. However, even
in an optimization domain as precisely dened as AI Planning,
there are very few results describing meaningful similarity
measures between problem instances. Moreover, until
now, suciently precise and accurate features have not been
specied that would allow the user to accurately describe the
problem, so that the optimal parameter-set could be learned
from this feature-set, and carried on to other problems with
similar description. To the best of our knowledge, no design
of a general learning framework has been proposed, and no
general experiments have been carried out yet with some
representative domains of AI planning.
In the SAT domain, however, one work must be given as an
example of what can be done along those lines. In [13], many
relevant features have been gathered based on half a century
of SAT-research, and hundreds of papers. Extensive parameter
tuning on several thousands of instances has allowed
the authors to learn, using function regression, a meaningful
mapping between the features and the running-time of
a given SAT solver with given parameters. Optimizing this
model makes it possible to choose the optimal parameters
for a given (unknown) instance. The present paper aims at
generalizing this work made in AI planning, with one major
dierence: the target will be here to optimize the tness
value for a given runtime, and not the runtime to solution {
as the optimal solution is generally not known for AI planning
problems.
Unfortunately, until now, nobody has yet proposed a set of
features for AI Planning problems in general, that would
be sucient to describe the characteristics of a problem,
like was done in the SAT domain [13]. This paper makes a
591
โดยทั่วไปปรับแต่งพารามิเตอร์เป็นปัญหาทั่วไปประสิทธิภาพสูงสุดใช้ o - บรรทัดกับ nd พารามิเตอร์ที่ดีที่สุดสำหรับคอมเพล็กซ์กระบวน เช่นสำหรับอัลกอริทึมเชิงวิวัฒนาการ (EAs)ในขณะที่ ciency อีของ EAs ได้ ถูกแสดงบนโดเมนโปรแกรมประยุกต์หลาย [29, 18], พวกเขามักจะต้อง computationallyปรับแต่งพารามิเตอร์ราคาแพง ดังนั้น หนึ่งคืออยากใช้เป็นพารามิเตอร์เริ่มต้นของกรอบเขาใช้ หรือค่าพารามิเตอร์ที่กำหนดในวรรณคดีสำหรับปัญหาที่คล้ายกับของเขาเป็นปัญหาทั่วไปปรับให้เหมาะสม มีมากพารามิเตอร์การปรับอัลกอริทึมเป็นเทคนิคเพิ่มประสิทธิภาพ [719] . อย่างไรก็ตาม วิธีการเฉพาะต่าง ๆ ได้รับการเสนอชื่อและโดดเด่นที่สุดวันนี้มีแข่งรถ [5],REVAC [21], [2] SPO ก ParamILS [14] วิธีเหล่านี้ทั้งหมดเผชิญปัญหา generalization สำคัญเดียวกัน: สามารถเป็นชุดพารามิเตอร์ที่ปรับให้เหมาะสำหรับปัญหาที่กำหนดเสร็จเรียบร้อยใช้อื่น คำตอบของหลักสูตรขึ้นอยู่กับความคล้ายของปัญหาทั้งสอง อย่างไรก็ตาม แม้แต่ในโดเมนเป็นแม่นยำเดเน็ดว่า AI การวางแผนเพิ่มประสิทธิภาพการมีผลน้อยมากที่อธิบายความคล้ายคลึงกันที่มีความหมายวัดระหว่างอินสแตนซ์ของปัญหา นอกจากนี้ จนกระทั่งตอนนี้ su ciently ความ แม่นยำคุณลักษณะไม่ได้รับspeci ed ที่จะช่วยให้ผู้ใช้สามารถอธิบายได้ถูกต้องปัญหา เพื่อให้สามารถเรียนชุดพารามิเตอร์ที่เหมาะสมจากนี้ ชุดคุณลักษณะ และจำหน่ายไปยังปัญหาอื่น ๆ ด้วยsimilar description. To the best of our knowledge, no designof a general learning framework has been proposed, and nogeneral experiments have been carried out yet with somerepresentative domains of AI planning.In the SAT domain, however, one work must be given as anexample of what can be done along those lines. In [13], manyrelevant features have been gathered based on half a centuryof SAT-research, and hundreds of papers. Extensive parametertuning on several thousands of instances has allowedthe authors to learn, using function regression, a meaningfulmapping between the features and the running-time ofa given SAT solver with given parameters. Optimizing thismodel makes it possible to choose the optimal parametersfor a given (unknown) instance. The present paper aims atgeneralizing this work made in AI planning, with one majordi erence: the target will be here to optimize the tnessvalue for a given runtime, and not the runtime to solution {as the optimal solution is generally not known for AI planningproblems.Unfortunately, until now, nobody has yet proposed a set offeatures for AI Planning problems in general, that wouldbe sucient to describe the characteristics of a problem,like was done in the SAT domain [13]. This paper makes a591
การแปล กรุณารอสักครู่..