23、探索交互式进化建模与GCC自动配置的奥秘

探索交互式进化建模与GCC自动配置的奥秘

在科学研究和软件开发领域，建模和算法配置是两个至关重要的环节。今天，我们将深入探讨两个不同但又都极具价值的主题：LIDeOGraM交互式进化建模工具的实验结果，以及使用Irace对GCC进行自动配置的相关内容。

LIDeOGraM交互式进化建模工具实验结果

数据集情况

案例研究聚焦于乳酸乳球菌亚种lactis TOMSC161对冷冻干燥的抗性。这种细菌用于法国奶酪Tomme de Savoie的生产，因其有趣的质地和酸化特性，但对冷冻干燥高度敏感。研究在4种不同发酵条件下进行：22°C和30°C，分别在静止生长阶段开始时和6小时后评估。
数据集包含12个数据点，每个实验条件有3次生物学重复。数据集有2个输入变量，即发酵温度和发酵停止时间，以及49个在4个不同步骤（发酵、浓缩、冷冻干燥和储存）针对3个生物学尺度（基因组、细胞和种群）测量的变量。

使用Eureqa进行搜索

上述51个变量首先被分为9类：输入变量、过表达和低表达基因的基因组变量、细胞变量、各向异性变量、浓缩步骤结束时的种群变量、冷冻结束时的种群变量、干燥步骤结束时的种群变量以及储存3个月后的种群变量。每类变量只能由用户指定的类别来解释，各类之间的可能联系如图2所示。
数据集还被分为训练数据集（66%）和测试数据集（33%），训练数据集由每个实验条件的三次重复中的两次组成，测试数据集则使用剩余的一次重复。
使用Eureqa进行符号回归时允许使用的数学运算符包括：常量、输入变量、加法、减法、乘法、除法、指数和自然对数。对于每个非输入变量，在Intel(R) Core(TM) i7 - 4790 CPU上允许3分钟的计算时间，最终为这些变量共获得232个方程。

全局模型的优化

全局模型使用的进化优化算法的参数如下表所示：
| 参数 | 值 |
| — | — |
| μ | 100 |
| λ | 80 |
| 代数 | 100 |
| 交叉概率 | 0.8 |
| 变异概率 | 0.2 |
| 选择 | 大小为2的锦标赛 |
| 交叉函数 | 均匀 |
| 变异函数 | 每个基因有0.05的概率，按复杂度顺序将所选方程更改为前一个或后一个方程 |

变异函数考虑了复杂度信息，实验表明它比随机从候选方程列表中选择方程的变异方法更有效。一次优化运行对应的图形模型如图4所示。
全局模型的创建不仅涉及自动优化，还需要专家知识，这通过与软件交互获得。一位在细菌冷冻干燥过程有20年经验的研究人员对软件进行了非正式评估。在20分钟的探索中，专家对提出的局部模型给出反馈，选择移除了5个方程。部分方程因同时使用细胞尺度变量和各向异性变量而被移除，因为各向异性是细胞尺度脂肪酸组成的新兴属性，这类方程难以理解。同样，一个同时使用离心步骤和干燥步骤活力的方程也被移除，因为离心步骤的活力用于预测干燥步骤的活力，使用两个步骤的数据值意义不大。专家还移除了2个节点，因为这些节点在许多节点的方程中反复使用，由于其测量值不显著，被认为是产生过拟合方程的因素，移除这两个变量又移除了14个方程。由于大量删除，一些变量只剩下少数方程，专家选择对3个节点重新进行符号回归，共获得12个新方程。
为了揭示专家的贡献，全局模型优化分别进行了10次有专家参与和10次无专家参与的运行。这些运行的适应度演变如图3所示。为了准确比较模型，无专家参与优化计算的适应度不考虑移除的两个节点。有专家参与获得的全局模型中位适应度为0.787，标准差为0.010；无专家参与获得的全局模型中位适应度为0.801，标准差为0.013。在建模过程的最后一步，专家对获得的一个全局模型给出反馈，在10分钟的探索中更改了3个节点的方程。其中两个修改后的方程确实过拟合，最后一个欠拟合。例如，LIDeOGraM选择的一个方程，在细胞尺度上，变量C18:0被定义为等于发酵持续时间，专家选择了一个更合理的、与发酵持续时间呈线性相关的方程。最终全局模型的适应度略有下降，从0.789变为0.801，但生成的模型能更好地反映专家对过程底层现实的理解。

使用Irace对GCC进行自动配置

算法配置的重要性

计算程序（如优化算法）的性能是开发者和用户共同关注的重要问题。算法性能取决于算法本身的特性、所解决的具体问题以及执行环境等多个因素。通常，算法会提供参数供用户根据问题和执行情况进行调整。参数设置对算法性能有很大影响，找到高性能的参数配置对于达到算法的最佳性能至关重要。然而，找到好的配置可能具有挑战性，需要大量专业知识、时间和计算资源。为此，文献中提出了许多自动算法配置工具，如ParamILS、SMAC、GGA和Irace等。这些工具能够在配置不同类型的算法时获得很好的参数设置，在某些情况下能显著提高专家定义的默认参数设置的性能。

GCC的优化配置问题

在优化算法的配置中，代码编译往往被忽视，但实际上它对算法性能有重要影响。在需要高性能和可移植代码的场景中，这个问题得到了广泛关注。一些项目定义了特定于应用的“自动调优器”，以调整程序以适应安装系统。另一方面，像GCC这样的编译器提供了多种优化选项，默认的优化级别（如 -Ox 设置）激活不同的选项集，但这些优化级别是通用的，根据编译代码的操作和算法执行的架构，还可以进行进一步的改进。因此，选择GCC或其他编译器的优化选项以获得最佳可执行性能本身就是一个算法配置问题。

Irace的应用

Irace包是一个自动算法配置器，提供了迭代F - race等自动配置方法的实现。它作为R包免费提供，有多个选项可调整配置过程（如并行执行），且不需要用户了解R或Irace的内部工作原理。Irace在文献中被广泛应用，是最先进的算法配置器之一。在本研究中，使用Irace来配置GCC的优化选项，以最小化在6个不同基准测试中执行不同优化算法的执行时间。实验结果表明，通过配置编译选项，可以进一步提高优化算法的运行时间，具体可根据要优化的特定代码，将执行时间与 -O2和 -O3优化标志相比最多提高40%。

综上所述，无论是LIDeOGraM交互式进化建模工具还是使用Irace对GCC进行自动配置，都为我们在不同领域的研究和开发提供了有价值的方法和思路。通过合理利用这些工具和方法，我们可以更好地解决复杂问题，提高工作效率和质量。

探索交互式进化建模与GCC自动配置的奥秘（续）

对研究成果的深入分析

LIDeOGraM工具的优势与不足

LIDeOGraM作为一种交互式进化建模工具，具有显著的优势。它为专家提供了一种省时的建模方法，通过半交互式的方式让专家能够设计出更好的全局模型。从实验结果来看，有专家参与的模型不仅符合专家的要求，在数值数据方面也表现出更快更好的收敛性。这种方法还为领域专家提供了工具，使其能够使用不同的数据集和类约束来设计和测试不同的假设。

然而，该方法也存在一些不足之处。在全局模型中，由于每个节点的预测都会传播，只有输入变量用于确定其他所有变量。这就引发了一个疑问：为什么不是所有变量都直接与输入变量相连，中间变量存在的意义是什么？实际上，其目标不仅是为每个变量获得最佳预测，更重要的是帮助专家从数学上理解变量之间的现有依赖关系以及过程的多尺度、多步骤组织。另外，当前的结果在基因组尺度上并不完全令人满意。专家假设基因组尺度仅由发酵条件（温度和发酵停止时间）解释，但这一假设需要进一步验证，可能还涉及实验中未测量的其他变量，因此对表达基因及其分类进行更精细的研究是必要的。

Irace配置GCC的效果与挑战

使用Irace对GCC进行自动配置取得了显著的效果。实验表明，通过配置编译选项，优化算法的运行时间可以得到进一步改善，与 -O2 和 -O3 优化标志相比，执行时间最多可提高40%。这说明将编译过程纳入算法配置过程是可行且有效的。

但也面临一些挑战。选择GCC的优化选项本身是一个复杂的算法配置问题，需要考虑编译代码的操作和算法执行的架构等多种因素。而且，虽然Irace是一个先进的算法配置器，但它在处理某些特殊情况或复杂代码时可能还需要进一步优化。

实际应用中的操作步骤

LIDeOGraM建模的操作流程

下面我们详细介绍使用LIDeOGraM进行建模的操作步骤：
1. 数据集准备
- 选择合适的研究案例，如乳酸乳球菌亚种lactis TOMSC161对冷冻干燥抗性的研究。
- 确定实验条件，例如不同的发酵温度和时间。
- 进行生物学重复实验，获取足够的数据点。
- 整理数据集，包括输入变量（如发酵温度、发酵停止时间）和多个测量变量。
2. 变量分类与数据划分
- 将变量分为不同的类别，如输入变量、基因组变量、细胞变量等。
- 确定各类变量之间的可能联系。
- 将数据集划分为训练数据集（66%）和测试数据集（33%）。
3. 使用Eureqa进行符号回归
- 选择允许使用的数学运算符，如常量、加法、减法等。
- 为每个非输入变量设置计算时间，在规定时间内获得方程。
4. 全局模型优化
- 设置进化优化算法的参数，如 μ、λ、代数、交叉概率、变异概率等。
- 进行自动优化，并结合专家知识，通过与软件交互对局部模型和全局模型进行调整。
- 评估模型的适应度，根据专家反馈对模型进行进一步修改。

graph LR
    A[数据集准备] --> B[变量分类与数据划分]
    B --> C[使用Eureqa进行符号回归]
    C --> D[全局模型优化]

Irace配置GCC的操作流程

使用Irace配置GCC的操作步骤如下：
1. 安装Irace
- 确保系统中安装了R语言环境。
- 通过R语言的包管理系统安装Irace包。
2. 确定基准测试和优化目标
- 选择要执行的不同优化算法的基准测试。
- 明确优化目标，如最小化执行时间。
3. 配置Irace参数
- 根据需要调整Irace的配置选项，如并行执行等。
4. 运行Irace进行配置
- 使用Irace对GCC的优化选项进行配置。
- 评估不同配置下的执行时间，选择最佳配置。

graph LR
    A[安装Irace] --> B[确定基准测试和优化目标]
    B --> C[配置Irace参数]
    C --> D[运行Irace进行配置]

总结与展望

通过对LIDeOGraM交互式进化建模工具和使用Irace对GCC进行自动配置的研究，我们看到了它们在不同领域的巨大潜力。LIDeOGraM通过结合专家知识和自动优化，能够更好地处理复杂的多尺度、多步骤过程建模问题；而Irace为GCC的优化配置提供了一种有效的方法，能够显著提高优化算法的运行时间。

未来，我们可以进一步改进这些工具和方法。对于LIDeOGraM，可以开发新的工具来创建和管理层次变量，并为每个变量关联置信水平，以更全面、高效地研究乳酸细菌的生产和稳定过程。对于Irace配置GCC，可以探索更多的优化策略，以应对更复杂的代码和架构，进一步提高优化效果。总之，这些技术的不断发展将为科学研究和软件开发带来更多的便利和创新。