TL;DR
- چکیده:.
- بهینهسازی دو سطحی زمینهای از نظر نظری و عملی قابل توجه است،.
- اما حل چنین مسائل بهینهسازی همچنان چالش برانگیز است.
چه اتفاقی افتاد
چکیده:. بهینهسازی دو سطحی زمینهای از نظر نظری و عملی قابل توجه است،.
اما حل چنین مسائل بهینهسازی همچنان چالش برانگیز است. روشهای تکاملی برای رسیدگی به این مشکلات در تنظیمات جعبه سیاه به کار گرفته شده است.
با این حال، به دلیل ماهیت تودرتو بهینهسازی دوسطحی، هزینه محاسباتی بالایی را متحمل میشوند. اگرچه روشهای قبلی سعی کردهاند این هزینه را از طریق تکنیکهای اکتشافی مختلف کاهش دهند،.
چنین رویکردهایی تطبیقپذیری را در مناظر چالشبرانگیز بهینهسازی،. مانند مواردی که دارای چندوجهی بودن و تعامل قابلتوجه بین متغیرهای تصمیمگیری سطح بالا و پایین هستند،.
محدود میکنند. در این مطالعه،.
ما یک چارچوب کارآمد را پیشنهاد میکنیم که از تغییرناپذیری الگوریتمهای تکاملی مبتنی بر رتبه برای تبدیلهای یکنواخت. استفاده میکند،.
در نتیجه بار محاسباتی حلقه بهینهسازی سطح پایینتر را کاهش میدهد. بهطور خاص،.
ما روش مستقیماً رتبهبندی تابع مقدار سطح بالا را تقریب میزند،. و نیاز به اجرای بهینهساز سطح پایین را تا زمان همگرایی برای هر تکرار سطح بالا دور میزند.
ما این چارچوب را در تنظیماتی اعمال میکنیم که در آن هر دو سطح پیوسته هستند و. CMA-ES را بهعنوان بهینه ساز استفاده میکنیم.
ما نشان میدهیم که روش ما به عملکرد رقابتی در معیارهای بهینهسازی دوسطحی استاندارد دست مییابد و میتواند. مشکلاتی را حل کند که با روشهای پیشنهادی قبلی،.
بهویژه آنهایی که دارای چند وجهی و تعاملات بین متغیری قوی هستند،. حل شود.
در GECCO 2026 پذیرفته شده است محاسبات عصبی و تکاملی (cs. NE) استناد بهعنوان: (یا v1 [cs.
NE] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) پیوند (های) منابع مرتبط تاریخچه ارسال از:.
Marc Ong [مشاهده ایمیل] [v1] جمعه،. 3 آوریل 2026،.
08:. 55:.
23 UTC (2,. 335 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.