18、数学求解器调优与共识聚类中的理论应用

数学求解器调优与共识聚类中的理论应用

一、数学求解器调优探索

在数学求解器调优中,有两种基于探索的算法值得关注:新颖性搜索(Novelty)和随机算法(Random)。随机算法的表现表明,在初始阶段探索是至关重要的。不过,新颖性搜索最终会超越其他所有方法,因为它强调探索,同时仍然倾向于具有独特高性能的参数集。

当将相同的方法应用于约束配置时,性能提升较少。不同算法在不同训练集规模下表现不同:
| 训练集规模 | 表现最佳的算法 |
| ---- | ---- |
| 小训练集 | MREA |
| 稍大训练集 | 随机算法 |
| 更多训练实例 | NEA |

虽然机器学习方法在约束配置中的潜力较小,但通过与最大潜力进行性能比较,发现性能仍有提升空间,这表明该搜索空间可能更难学习。尽管错误率显示差异不大,但约束配置的错误预测中存在大量异常值,这表明针对特定模型的参数集更难预测,而这些专业参数集是调整求解器的关键,因此导致性能较低。总体而言,约束配置的求解器参数调整比变量配置更困难,所以应应用更先进的方法来处理约束配置,或使用除人工神经网络(ANN)之外的更高级机器学习方法来学习更复杂的关系。

在数据生成用于数学求解器调优方面,基于探索的算法(如新颖性搜索)成功地生成了对训练 ANN 有效的训练数据集。总结发现有以下三个方面:
1. 约束配置的求解器参数调整比变量配置更具挑战性。
2. 强调利用的数据集生成方法可能会快速找到运行时间较短的参数集,但容易陷入局部最优。并且,在用于求解器参数调整时,它们仅在小数据集上表现最佳,否则强调探索的算法会优于强调利用的方法。
3. 实施利用新颖性

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值