Heutzutage sind zahlreiche Abläufe strukturiert, wodurch sich diese zunächst modellieren und anschliessend sogar optimieren lassen. Selbst Probleme, die nicht durch ein mathematisches Modell repräsentiert werden können (sogenannte "Black-Box Probleme") können optimiert werden. Leider treffen Menschen hierbei tendenziell schlechte Entscheidungen, da diese oftmals auf Versuchs-und-Irrtums-Experimenten oder schlichtweg auf dem "Bauchgefuehl" der Entscheider beruhen. Sinnvoller wäre es jedoch stattdessen Optimierungsalgorithmen zu verwenden. Allerdings gibt es hiervon sehr viele, sodass sich die Frage stellt, welcher Algorithmus am besten für die Optimierung des vorliegenden Problems geeignet ist. Im Rahmen dieser kumulativen Dissertation werden einerseits automatisch berechenbare Kennzahlen zur Charakterisierung der globalen Struktur kontinuierlicher Optimierungsprobleme, und andererseits experimentelle Studien, die die Vorzüge automatisierter, sowie feature-basierter Algorithmenselektion aufzeigen, vorgestellt.
Titelaufnahme
- TitelAutomated and Feature-Based Problem Characterization and Algorithm Selection Through Machine Learning
- Verfasser
- Erschienen
- AnmerkungVollständige Druckausgabe der kumulativen Dissertation: Kerschke, Pascal: Automated and feature-based problem characterization and algorithm selection through machine learning. (kumulative Dissertation, Westfälische Wilhelms-Universität Münster, 2017) Münster, 2017, S. iii, 227 Seiten
- SpracheEnglisch
- Bibl. ReferenzTeilw. zugl.: Münster (Westfalen), Univ., kum. Diss., 2017
- DokumenttypWissenschaftlicher Artikel (Elektronische Erstveröffentlichung)
- Schlagwörter (DE)
- Schlagwörter (EN)
- URN
- Das Dokument ist frei verfügbar
- Social MediaShare
- Nachweis
- IIIF
Nowadays, numerous real-world workflows become more and more formalized and structured. One of the advantages of such formal processes is their accessibility for optimization. Even problems without an exact mathematical representation, i.e., so-called black-box problems, can be optimized. Unfortunately, people tend to make rather poor decisions when optimizing problems: most of the decisions are either based on numerous trial-and-error experiments or on "gut-decisions". Instead of these manual approaches, one could make use of computational power and execute an optimization algorithm. However, the plethora of optimizers leaves the user with the task of making a sophisticated guess on which of the available algorithms is best for the application at hand. Within this cumulative dissertation, a set of automatically computable features, which extracts information on the global structure of continuous optimization problems, as well as experimental studies, showing the benefits of automated and feature-based algorithm selection, are presented.
- Das PDF-Dokument wurde 6 mal heruntergeladen.