Please use this identifier to cite or link to this item: http://dspace.centre-univ-mila.dz/jspui/handle/123456789/3816
Title: Algorithm Selection on Continuous problems using Deep Learning.
Authors: Said Dhiya Edinne , Harkati , Kadri Abderraouf
Keywords: Algorithm Selection, Black-Box Optimization, Exploratory Landscape Analysis, Deep Learning, Single-Objective Continuous Optimization, COCO framework
Sélection d’algorithmes, Optimisation à boîte noire, Analyse du paysage exploratoire, Apprentissage profond, Optimisation continue à objectif unique, plateforme COCO
Issue Date: Jun-2024
Publisher: university center of abdalhafid boussouf - MILA
Citation: Artificial intelligence and its applications (I2A).
Abstract: Selecting the most appropriate algorithm to use when tackling a black-box continuous optimization problem is a challenging task. with a wide range of optimization algorithms being benchmarked each year and easy access to black-box optimization functions, primarily due to the efforts of the COCO platform, an automated method for algorithm selection in single-objective black-box optimization problems has become necessary. In this issertation, we have chosen to employ DL technology in combination with ELA techniques to predict the optimal solver (SBS) for any given problem set. The performance of the proposed DL-based model is superior to a framework based on machine learning algorithms when applied to a continuous black-box optimization problem set, showcasing its effectiveness.
Description: Sélectionner l’algorithme le plus approprié pour résoudre un problème d’optimisation continu à boîte noire est une tâche complexe. Avec une gamme étendue d’algorithmes d’optimisation évalués annuellement et un accès facilité aux fonctions d’optimisation à boîte noire, principalement grâce aux efforts de la plateforme COCO, une méthode automatisée de sélection d’algorithmes pour les problèmes d’optimisation à boîte noire à objectif unique est devenue nécessaire. Dans ce memoire, nous utilisons la technologie Deep Learning combinée à des techniques d'Exploratory Landscape Analysis pour prédire le solveur optimal (SBS) pour n’importe quel ensemble de problèmes donné. Les performances du modèle proposé basé sur le Deep Learning surpassent celles d’un modèle basé sur des algorithmes d’apprentissage automatique lorsqu’il est appliqué à un ensemble de problèmes d’optimisation à boîte noire continu, démontrant ainsi son efficacité.
URI: http://dspace.centre-univ-mila.dz/jspui/handle/123456789/3816
Appears in Collections:Computer science

Files in This Item:
File Description SizeFormat 
Algorithm Selection on Continuous problems using Deep Learning.pdf5,97 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.