Explorační analýza účelových funkcí

Abstract

Explorační analýza krajiny (ELA) je metoda, která ze vzorku bodů a jejich funkčních hodnot extrahuje příznaky popisující vlastnosti krajiny optimalizační funkce. Tyto příznaky se v praxi používají pro výběr vhodného optimalizačního algoritmu a predikci jeho výkonu na dané úloze. Tato bakalářská práce zkoumá, jestli je možné 24 testovacích funkcí sady BBOB seskupit na základě ELA příznaků tak, aby výsledné shluky odpovídaly teoretickému rozdělení do pěti skupin. Pro tento účel byl v jazyce Python vyvinut nástroj s grafickým rozhraním, který umožňuje výpočet ELA příznaků z knihovny pflacco, jejich předzpracování, shlukování metodami K-Means, K-Medoids a DBSCAN a vizualizaci výsledků. V experimentech byly testovány jednotlivé rodiny příznaků, ručně zvolené podmnožiny i optimalizovaný výběr pomocí genetického algoritmu. Shlukování na bázi různých podmnožin příznaků ukázalo, že u BBOB benchmarkových funkcí je možné najít řadu lépe oddělených shluků, které však nezachycují očekávané teoretické rozdělení.

Exploratory Landscape Analysis (ELA) is a method that extracts features describing the properties of an optimization function's landscape from a sample of points and their function values. In practice, these features are used for selecting a suitable optimization algorithm and predicting its performance on a given task. This bachelor's thesis investigates whether the 24 BBOB test functions can be grouped based on ELA features so that they match the five theoretical groups. For this purpose, a tool with graphical interface was developed in Python, which enables the computation of ELA features from the pflacco library, their preprocessing, clustering using K-Means, K-Medoids and DBSCAN method and visualization of the results. Experiments tested individual feature families, manually selected subsets and an optimized selection using a genetic algorithm. Clustering based on various feature subsets showed that for the BBOB benchmark functions it is possible to find better-separated clusters, which however do not capture the expected theoretical division.