Počet záznamů: 1
Landscape analysis of gaussian process surrogates for the covariance matrix adaptation evolution strategy
- 1.
SYSNO ASEP 0508171 Druh ASEP C - Konferenční příspěvek (mezinárodní konf.) Zařazení RIV D - Článek ve sborníku Název Landscape analysis of gaussian process surrogates for the covariance matrix adaptation evolution strategy Tvůrce(i) Pitra, Zbyněk (UIVT-O) RID, ORCID, SAI
Repický, Jakub (UIVT-O) ORCID, SAI
Holeňa, Martin (UIVT-O) SAI, RIDZdroj.dok. GECCO '19: Proceedings of the Genetic and Evolutionary Computation Conference. - New York : ACM, 2019 / López-Ibáñez M. - ISBN 978-1-4503-6111-8 Rozsah stran s. 691-699 Poč.str. 9 s. Forma vydání Online - E Akce GECCO 2019: The Genetic and Evolutionary Computation Conference Datum konání 13.07.2019 - 17.07.2019 Místo konání Prague Země CZ - Česká republika Typ akce WRD Jazyk dok. eng - angličtina Země vyd. US - Spojené státy americké Klíč. slova black-box optimization ; evolutionary optimization ; surrogate modelling ; Gaussian process ; landscape analysis Vědní obor RIV IN - Informatika Obor OECD Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8) CEP GA17-01251S GA ČR - Grantová agentura ČR GA18-18080S GA ČR - Grantová agentura ČR Institucionální podpora UIVT-O - RVO:67985807 UT WOS 000523218400082 EID SCOPUS 85072330386 DOI 10.1145/3321707.3321861 Anotace 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. Pracoviště Ústav informatiky Kontakt Tereza Šírová, sirova@cs.cas.cz, Tel.: 266 053 800 Rok sběru 2020
Počet záznamů: 1