the best predicted performance to r

the best predicted performance to run for one generation; and (5)
repeat step (3) and (4) until a given computational budget is
reached.
Note that as the algorithm which has the best predicted
performance may be different at different stages of the search, our
approach will switch from one algorithm to another and back
automatically and seamlessly.
In a nutshell, we propose to choose, at any point of the search, the
algorithm which has the best predicted performance to run (for
one generation). A typical scenario of running our algorithm is
that after some trials in which each algorithm runs in parallel and
interacts indirectly, an algorithm which has the best predicted
performance by a considerable margin stands out, and only it is
run for quite some time. If it is a very good algorithm that excels
in small, medium and large budgets, then only it will run from
then on. However, if it is an algorithm that converges fast to a
local optimum, as discussed above, then it will run for awhile and
gradually the predicted performance will not be as good compared
with other algorithms. At which time, a second algorithm, which
has a better predicted performance, will take over. Like changes
would occur as the search progresses.
A novel online performance prediction metric is proposed to
advise which algorithm should be chosen to generate the next new
generation of solutions. The metric is parameter-less - it does not
introduce any new control parameter to the system - thus avoiding
the difficult parameter tuning and control problem [2]. We name
our algorithm Multiple Evolutionary Algorithm (MultiEA).
Currently in the EC community, CMA-ES [3] is one of the
strongest algorithms. It is the clear winner in the BBOB2010
competition [4]. On the other hand, several improved variants of
DE have won several competitions held in recent years [5].
Amongst these variants, Composite DE (CoDE) [6] and Self
adaptive DE (SaDE) [7] are the state of the art. For the influential
swarm intelligence methods, the current “standard” PSO
algorithm is PSO2011 [8], and ABC [9] is one of the most
recently proposed methods with the advantage of competitive
performance and few control parameters. In this paper, ABC,
CMA-ES, CoDE, PSO2011 and SaDE shall be chosen by us for
further investigations since they are our choice algorithms if we
were to recommend to outsiders. Other EC researchers may of
course have other choices. In the companion paper [10], we report
a novel way to automatically and parameter-lessly compose a
portfolio, i.e., find its member algorithms.
The rest of this paper is organized as follows: Section 2 discusses
the relationships of our approach with existing works. Section 3
reports MultiEA. Section 4 reports the numerical experiments.
Section 5 investigates the properties of the prediction measures.
Section 6 concludes

ผลลัพธ์ (ไทย) 1:

ผลการดำเนินงานที่คาดการณ์ที่ดีที่สุดในการทำงานสำหรับคนรุ่นหนึ่ง; และ (5) ทำซ้ำขั้นตอน
(3) และ (4) จนงบประมาณการคำนวณให้เป็น

ถึงทราบว่าเป็นอัลกอริทึมที่มีประสิทธิภาพในการทำงานที่ดีที่สุด
ที่คาดการณ์ไว้อาจจะแตกต่างกันที่. ขั้นตอนที่แตกต่างกันของการค้นหาวิธีการ
ของเราจะเปลี่ยนจากหนึ่งไปยังอีกขั้นตอนวิธีการและกลับมา
โดยอัตโนมัติและต่อเนื่อง.
สั้นเรานำเสนอให้เลือกที่จุดของการค้นหาใด ๆ
อัลกอริทึมที่มีประสิทธิภาพในการทำงานที่คาดการณ์ที่ดีที่สุดในการทำงาน (
สำหรับคนรุ่นหนึ่ง) สถานการณ์โดยทั่วไปของการทำงานของอัลกอริทึมของเราคือ
ว่าหลังจากการทดลองบางอย่างที่แต่ละวิธีการทำงานในแบบคู่ขนานและ
ปฏิสัมพันธ์ทางอ้อมอัลกอริทึมที่มีประสิทธิภาพในการทำงานที่ดีที่สุด
ตามคำทำนายของอัตรากำไรขั้นต้นเป็นจำนวนมากยืนออกและเพียง แต่มัน
ใช้สำหรับค่อนข้างบาง เวลาถ้ามันเป็นอัลกอริทึมที่ดีมากที่ excels
ในงบประมาณขนาดเล็กขนาดกลางและขนาดใหญ่แล้วเพียง แต่จะทำงานจาก
แล้ว แต่ถ้ามันเป็นอัลกอริทึมที่ลู่อย่างรวดเร็ว
ที่เหมาะสมในท้องถิ่นตามที่กล่าวไว้ข้างต้นแล้วมันจะวิ่งไปสักครู่และค่อยๆ
ประสิทธิภาพการทำงานที่คาดการณ์ไว้จะไม่เป็น
ที่ดีเมื่อเทียบกับขั้นตอนวิธีอื่น ๆ เวลาที่อัลกอริทึมที่สองซึ่ง
มีประสิทธิภาพการทำงานที่ดีกว่าที่คาดการณ์ไว้จะใช้เวลามากกว่า เช่นเดียวกับการเปลี่ยนแปลงที่จะเกิดขึ้น
การค้นหาดำเนิน.
ตัวชี้วัดประสิทธิภาพการทำงานของนวนิยายออนไลน์ทำนายจะเสนอให้
ให้คำแนะนำขั้นตอนวิธีการที่ควรจะเลือกที่จะสร้างรุ่นต่อไป
ใหม่ของการแก้ปัญหา ตัวชี้วัดที่เป็นพารามิเตอร์น้อย - ไม่
แนะนำพารามิเตอร์การควบคุมใด ๆ ใหม่เพื่อระบบ - จึงหลีกเลี่ยง
พารามิเตอร์ปัญหาที่ยากลำบากการปรับแต่งและการควบคุม [2] เราชื่อ
อัลกอริทึมอัลกอริทึมของเรามีวิวัฒนาการหลาย (multiea).
ในปัจจุบัน EC ชุมชน CMA-ES [3] เป็นหนึ่งใน
ขั้นตอนวิธีการที่แข็งแกร่ง มันเป็นผู้ชนะที่ชัดเจนในการแข่งขัน bbob2010
[4] บนมืออื่น ๆ , สายพันธุ์ที่ดีขึ้นหลาย
เดอได้รับรางวัลการแข่งขันที่จัดขึ้นในหลายปีที่ผ่านมา [5].
ท่ามกลางสายพันธุ์เหล่านี้คอมโพสิตเดอ (รหัส) [6] และปรับตัวเอง
เดอ (Sade) [7] มีสถานะของศิลปะ สำหรับวิธีการที่มีอิทธิพล
ฝูงปัญญาในปัจจุบัน "มาตรฐาน" ขั้นตอนวิธี PSO
เป็น pso2011 [8] และ abc [9] พารามิเตอร์เป็นหนึ่งในที่สุดเมื่อเร็ว ๆ นี้
วิธีการที่นำเสนอด้วยความได้เปรียบของการแข่งขัน
ประสิทธิภาพการทำงานและการควบคุมไม่กี่ ในบทความนี้ abc
CMA-ซาลาม, รหัส pso2011 และ Sade จะได้รับการแต่งตั้งโดยเราสำหรับ
สืบสวนต่อไปเนื่องจากพวกเขาเป็นขั้นตอนวิธีการเลือกของเราถ้าเรา
ถูกที่จะแนะนำให้กับบุคคลภายนอก นักวิจัย EC อื่น ๆ อาจแน่นอน
มีทางเลือกอื่น ๆ ในกระดาษสหาย [10] เราแจ้ง
วิธีใหม่ในการโดยอัตโนมัติและพารามิเตอร์ lessly แต่งผลงาน
คือขั้นตอนวิธีการหาสมาชิกของ
ส่วนที่เหลือของบทความนี้มีการจัดการดังนี้. ส่วนที่ 2 กล่าวถึง
ความสัมพันธ์ของว​​ิธีการของเรามีผลงานที่มีอยู่ ส่วนที่ 3
รายงาน multiea ส่วนที่ 4 การทดลองรายงานตัวเลข. ส่วน
5 สำรวจคุณสมบัติของมาตรการการทำนาย. ส่วน
6 สรุป

ผลลัพธ์ (ไทย) 2:

ส่วนการทำนายประสิทธิภาพการเรียกใช้สำหรับการสร้างหนึ่ง และ (5)
ทำซ้ำขั้นตอนที่ (3) และ (4) จนกระทั่งประมาณคำนวณกำหนด
ถึงได้
หมายเหตุว่า เป็นอัลกอริทึมซึ่งมี ส่วนที่ทำนาย
ประสิทธิภาพอาจแตกต่างกันที่ระยะต่าง ๆ ของการค้นหา เรา
วิธีจะเปลี่ยนจากอัลกอริทึมหนึ่งไปยังอีก และกลับ
โดยอัตโนมัติ และอย่างราบรื่นได้
ในสั้น เราเสนอให้เลือก จุดใดจุดหนึ่งของการค้นหา การ
อัลกอริทึมซึ่งมีส่วนคาดการณ์ประสิทธิภาพการทำงาน (สำหรับ
รุ่นหนึ่ง) สถานการณ์สมมติทั่วไปของการทำงานของอัลกอริทึม
ที่หลังจากทดลองบางแต่ละอัลกอริทึมทำงานพร้อมกัน และ
โต้ตอบอ้อม ขั้นตอนวิธีที่ดีสุดคาดการณ์
โดดเด่นโดยมีกำไรมาก และเฉพาะ เป็น
รันสำหรับค่อนข้างบางเวลา ถ้าเป็นอัลกอริทึมดีที่แก่ง
ในงบประมาณขนาดเล็ก ขนาดกลาง และขนาดใหญ่ แล้วมันจะรันเท่าจาก
คลิกที่ อย่างไรก็ตาม ถ้า มีอัลกอริทึมที่ converges เร็วไป
เหมาะสมท้องถิ่น กล่าวถึงข้างต้น แล้วก็จะทำงานสักครู่ และ
ค่อย ๆ คาดการณ์ผลการดำเนินงานจะไม่ได้เป็นดีเทียบ
กับอัลกอริทึมอื่น ๆ ในขณะที่ ขั้นตอนวิธีที่สอง ที่
มีที่ดีกว่าคาดการณ์ประสิทธิภาพ จะใช้เวลามากกว่า ชอบเปลี่ยนแปลง
จะเกิดเป็นยะค้นหา
การวัดทำนายประสิทธิภาพนวนิยายออนไลน์นำเสนอ
แนะนำอัลกอริทึมใดควรเลือกสร้างหน้าใหม่
สร้างโซลูชัน การวัดเป็นพารามิเตอร์น้อย - มันไม่
แนะนำพารามิเตอร์การควบคุมใหม่ระบบ - จึง หลีกเลี่ยง
พารามิเตอร์ยากปรับแต่งและควบคุมปัญหา [2] เราชื่อ
ของขั้นตอนวิธีอัลกอริทึมใช้วิวัฒนาการหลาย (MultiEA) .
ปัจจุบันในชุมชน EC, CMA-ES [3] เป็นหนึ่งใน
อัลกอริทึมที่แข็งแกร่ง เป็นผู้ชนะที่ชัดเจนในการ BBOB2010
แข่งขัน [4] บนมืออื่น ๆ หลายปรับปรุงย่อยของ
DE ได้รับรางวัลการแข่งขันต่าง ๆ ที่จัดขึ้นในปีที่ผ่านมา [5] .
ท่ามกลางตัวแปรเหล่านี้ คอมโพสิต DE (รหัส) [6] และตนเอง
DE แบบอะแดปทีฟ (ชา) [7] อยู่ทันสมัย สำหรับทรงอิทธิพล
ฝูงวิธีการข่าวกรอง PSO "มาตรฐาน" ปัจจุบัน
PSO2011 เป็นอัลกอริทึม [8], และ ABC [9] เป็นหนึ่งในสุด
เมื่อเร็ว ๆ นี้ นำเสนอวิธีการ มีความได้เปรียบของการแข่งขัน
ประสิทธิภาพและควบคุมพารามิเตอร์ไม่กี่ ในเอกสารนี้ ABC,
CMA ES รหัส PSO2011 และชาจะถูกเลือกสำหรับเรา
สอบสวนเพิ่มเติมเนื่องจากมีอัลกอริทึมเราเลือกถ้าเรา
ต้องขอแนะนำให้บุคคลภายนอก นักวิจัยอื่น ๆ EC อาจของ
หลักสูตรมีตัวเลือกอื่น ๆ ได้ ในกระดาษเพื่อน [10], เรารายงาน
นวนิยายไปโดยอัตโนมัติ และพารามิเตอร์ lessly เขียนเป็น
ผลงาน เช่น พบสมาชิกของอัลกอริทึมการ
ส่วนเหลือของเอกสารนี้ถูกจัดระเบียบเป็นดังนี้: กล่าวถึง 2 ส่วน
ความสัมพันธ์ของวิธีการของเรากับงานที่มีอยู่ ส่วน 3
รายงาน MultiEA ๔ รายงานการแสดงทดลอง
5 ส่วนตรวจสอบคุณสมบัติของพยากรณ์วัด
6 ส่วนสรุป

ผลลัพธ์ (ไทย) 3:

ที่ดีที่สุดคาดว่า ประสิทธิภาพ ในการรันสำหรับหนึ่งรุ่น;และ( 5 )
ทำซ้ำขั้นตอนที่( 3 )และ( 4 )จนกว่านวัตกรรมที่ได้รับงบประมาณเป็น
มาถึง.
ทราบว่าที่อัลกอริธึมที่มี ประสิทธิภาพ ดีที่สุดคาดว่า
อาจจะต่างกันที่แตกต่างกันที่ขั้นตอนของการค้นหา,ของเรา
ซึ่งจะช่วยการจะเปลี่ยนจากอัลกอริธึมหนึ่งไปยังอีกเครื่องหนึ่งโดยอัตโนมัติและกลับ
และได้อย่างมี ประสิทธิภาพ .
ในข้อมูลสรุปเกี่ยวกับ,เราเสนอที่จะเลือก,ที่จุดใดจุดหนึ่งของการค้นหา
อัลกอริธึมที่มีสิ่งที่ดีที่สุดคาดว่า ประสิทธิภาพ ในการรัน(สำหรับรุ่น
หนึ่ง) เหตุการณ์ทั่วไปที่ใช้อัลกอริธึมของเราคือ
ซึ่งจะช่วยว่าหลังจากการทดลองใช้งานบางส่วนที่อัลกอริธึมกันในแบบขนานและ
โต้ตอบโดยอ้อมอัลกอริธึมที่มี ประสิทธิภาพ ดีที่สุดคาดว่า
ซึ่งจะช่วยโดยส่วนต่างกำไรค่อนข้างมากที่ออกมาและก็มี
ซึ่งจะช่วยทำให้ช่วงเวลาหากมีอัลกอริธึมที่ดีมากซึ่งพื้นที่ทางตอนเหนือของประเทศไทย
ซึ่งจะช่วยในเรื่องงบประมาณขนาดกลางและขนาดใหญ่ขนาดเล็กแล้วเท่านั้นซึ่งจะรันจาก
แล้วใน แต่ถึงอย่างไรก็ตามหากมีอัลกอริธึมที่บรรจบกันได้อย่างรวดเร็วเพื่อ
ซึ่งจะช่วยในพื้นที่ที่เหมาะสมตามที่กล่าวไว้ข้างต้นแล้วมันก็จะวิ่งระยะหนึ่งแล้วและ
ซึ่งจะช่วยเพิ่ม ประสิทธิภาพ อย่างค่อยเป็นค่อยไปและคาดว่าจะไม่เป็นไปตามที่ดีเมื่อเทียบกับ
ด้วยอัลกอริธึมอื่นๆ อัลกอริธึมที่ซึ่งเวลาที่สองซึ่ง
ตามมาตรฐานมี ประสิทธิภาพ ดีกว่าที่คาดการณ์ว่าจะใช้เวลามากกว่า เหมือนกับการเปลี่ยนแปลง
ซึ่งจะช่วยจะเกิดขึ้นเช่นการค้นหาที่คงเหลือ.
ที่ ประสิทธิภาพ การทำนายแบบออนไลน์ระบบเมตริกเป็นนวนิยายที่เสนอไปยัง
ซึ่งจะช่วยให้คำแนะนำในการอัลกอริธึมจะต้องเลือกที่จะสร้างถัดไปใหม่
ซึ่งจะช่วยสร้างโซลูชัน ระบบเมตริกที่มีพารามิเตอร์ - -
ซึ่งจะช่วยไม่ได้แนะนำพารามิเตอร์ควบคุมใหม่ใดๆให้กับระบบ - ดังนั้นจึงหลีกเลี่ยงการตอบแทน
การปรับแต่งพารามิเตอร์ยากและปัญหาการควบคุม[ 2 ]. เราชื่อ
อัลกอริธึมของเราหลายคนกว่าอัลกอริทึม( multiea )..
CMA ในปัจจุบันในชุมชน EC - เอส[ 3 ]เป็นหนึ่งใน
มากที่สุดอัลกอริธึม โรงแรมคือผู้ได้รับรางวัลชนะเลิศที่ใสสะอาดในการแข่งขัน 2010
bbob [ 4 ] อีกด้านหนึ่งที่แตกต่างหลากหลายได้รับการปรับปรุงของ
de ได้รับรางวัลการแข่งขันซึ่งจัดขึ้นในหลายปีที่ผ่านมา[ 5 ].
ท่ามกลางความแตกต่างนี้คอมโพสิต de (รหัส)[ 6 ]และในแบบบริการตัวเอง
Adaptive de ( sade )[ 7 ]มีรัฐของศิลปะสำหรับที่มีอิทธิพล
กลุ่มอัจฉริยะวิธีการ,ที่ปัจจุบัน"มาตรฐาน" pso
อัลกอริธึมคือ pso 2011 ตัวขยาย:[ 8 ], ABC และ[ 9 ]เป็นหนึ่งในส่วน
เมื่อไม่นานมานี้ที่เสนอวิธีใดวิธีหนึ่งพร้อมด้วยประโยชน์ของการแข่งขัน
ซึ่งจะช่วยเพิ่ม ประสิทธิภาพ และการควบคุมพารามิเตอร์ไม่กี่. ในเอกสารนี้ ABC
CMA - เอสรหัส pso sade 2011 ตัวขยายและจะได้รับการเลือกสรรโดยเราสำหรับ
การสอบสวนเพิ่มเติมเมื่อพวกเขาเป็นคนที่ไม่มีทางเลือกอัลกอริธึมของเราถ้าเรา
ซึ่งจะช่วยในการขอแนะนำให้บุคคล ภายนอก เข้ามา นักวิจัย EC อื่นๆอาจของ
หลักสูตรมีทางเลือกอื่นๆ ในเพื่อนร่วมทางกระดาษ[ 10 ]ที่เราจะรายงาน
ซึ่งจะช่วยให้ทางการเขียนนวนิยายเรื่องโดยอัตโนมัติและการกำหนดค่าพารามิเตอร์ - ปราศจากเขียน
กลุ่ม ผลิตภัณฑ์ เช่นการค้นหาอัลกอริธึมเป็นสมาชิกในกลุ่มนี้.
ส่วนที่เหลือของเอกสารฉบับนี้จะถูกจัดเป็นดังนี้ส่วนที่ 2 กล่าวถึง
ความสัมพันธ์ของวิธีการของเราพร้อมด้วยการทำงานที่มีอยู่. มาตรา 3
รายงาน multiea ส่วนที่ 4 รายงานการทดลองเป็นตัวเลขที่.
มาตรา 5 ทำการพิจารณาข้อสงสัยทั้งหมดของคุณสมบัติของมาตรการการคาดการณ์.
มาตรา 6 จะสิ้นสุดลง