连续黑箱优化中用于算法选择的几何探测

arXiv:2604.09095v4 公告类型：替换 摘要：连续黑箱优化中的自动算法选择，取决于在有限的探测预算下从问题中获取了哪些信息，以及如何表示这些信息。我们提出了一种几何探测框架，在不同位置、方向和尺度上对多尺度二维限制进行采样，并通过有效性感知的卷积处理和置换不变聚合，对其归一化目标值图进行编码。我们在预算一致的条件下，将该方法与经典 ELA 和 Deep-ELA 进行比较，并开展问题内迁移、问题级迁移、融合、表示及预算分析。我们还通过受控消融实验，进一步区分探测信息获取与探测信息处理各自的作用。结果表明，所提出的视觉表示揭示了与 ELA 系列特征互补的求解器性能信息，并在问题级迁移条件下的相对预期运行时间指标上保持相对优势；然而，仅提高覆盖范围、特征丰富度或预测信息的可提取性，并不能保证更好的选择效果。