通过动态重新分配预算来提高大型实例集的算法选择管道的性能
1School of Computing, Engineering and the Built Environment, Edinburgh Napier University, UK q.renau2@napier.ac.uk.
Evolutionary computation
|December 19, 2025
概括
本研究引入了一个改进的算法选择 (AS) 管道. 它可以在容易或停滞的实例上节省计算预算,并将其重新分配给其他实例,从而提高批量和流数据的整体性能.
科学领域:
- 优化优化 优化优化
- 机器学习 机器学习
- 计算性能 计算性能 计算性能
背景情况:
- 算法选择 (AS) 对于从投资组合中优化解决器性能至关重要.
- 大量的实例集,无论是流式还是分批式,都为提高效率提供了机会.
- 当前的附加系统方法可能无法充分利用节约预算和重新分配战略.
研究的目的:
- 开发一个增强的AS管道,优化功能评估预算.
- 通过智能节省和重新分配计算资源来提高整体性能.
- 在批量和流动场景中评估拟议的管道.
主要方法:
- 实施了一个AS管道,有三个关键策略:识别容易的实例,减少停滞的运行,并重新分配节省的预算.
- 利用一种智能策略来预测哪些实例从额外的功能评估中获益最多.
- 在批量和流媒体设置中对BBOB数据集进行了实验.
主要成果:
- 增强的AS管道在批量和流媒体设置中显著优于标准管道.
- 识别简单的实例和限制停滞的运行有效地节省了计算预算.
- 智能预算重新分配导致下游实例的性能改善.
结论:
- 通过节约预算和重新分配策略来增加AS管道可以提高整体绩效.
- 拟议的管道为大规模优化中的计算资源管理提供了显著的改进.
- 这种方法对于批处理和实时数据流都是有效的.


