Landscape analysis of gaussian process surrogates for the covariance matrix adaptation evolution strategy

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F19%3A00334845" target="_blank" >RIV/68407700:21340/19:00334845 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/67985807:_____/19:00508171

Výsledek na webu

<a href="http://dx.doi.org/10.1145/3321707.3321861" target="_blank" >http://dx.doi.org/10.1145/3321707.3321861</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1145/3321707.3321861" target="_blank" >10.1145/3321707.3321861</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Landscape analysis of gaussian process surrogates for the covariance matrix adaptation evolution strategy

Popis výsledku v původním jazyce

Gaussian processes modeling technique has been shown as a valuable surrogate model for the Covariance Matrix Adaptation Evolution Strategy (CMA-ES) in continuous single-objective black-box optimization tasks, where the optimized function is expensive. In this paper, we investigate how different Gaussian process settings influence the error between the predicted and genuine population ordering in connection with features representing the fitness landscape. Apart from using features for landscape analysis known from the literature, we propose a new set of features based on CMA-ES state variables. We perform the landscape analysis of a large set of data generated using runs of a surrogate-assisted version of the CMA-ES on the noiseless part of the Comparing Continuous Optimisers benchmark function testbed.

Název v anglickém jazyce

Landscape analysis of gaussian process surrogates for the covariance matrix adaptation evolution strategy

Popis výsledku anglicky

Gaussian processes modeling technique has been shown as a valuable surrogate model for the Covariance Matrix Adaptation Evolution Strategy (CMA-ES) in continuous single-objective black-box optimization tasks, where the optimized function is expensive. In this paper, we investigate how different Gaussian process settings influence the error between the predicted and genuine population ordering in connection with features representing the fitness landscape. Apart from using features for landscape analysis known from the literature, we propose a new set of features based on CMA-ES state variables. We perform the landscape analysis of a large set of data generated using runs of a surrogate-assisted version of the CMA-ES on the noiseless part of the Comparing Continuous Optimisers benchmark function testbed.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

GECCO '19: Proceedings of the Genetic and Evolutionary Computation Conference

ISBN

978-1-4503-6111-8

ISSN

—

e-ISSN

—

Počet stran výsledku

9

Strana od-do

691-699

Název nakladatele

Association for Computing Machinery

Místo vydání

New York

Místo konání akce

Praha

Datum konání akce

13. 7. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—