Please use this identifier to cite or link to this item:
http://dspace.centre-univ-mila.dz/jspui/handle/123456789/4483
Title: | Approche par apprentissage profond pour la sélection d’algorithmes dans l’optimisation à boîte noire (BBOP) |
Authors: | Wail , Boudjema , Sedari Osama |
Keywords: | Algorithm selection, Black-box optimization, Exploratory Landscape Analysis, Deep Learning, Single-objective continuous optimization, COCO platform Sélection d’algorithmes, Optimisation à boîte noire, Analyse exploratoire du paysage, Apprentissage profond, Optimisation continue à objectif unique, plateforme COCO |
Issue Date: | Jun-2025 |
Publisher: | univercity centre of abdelhafid boussouf mila |
Citation: | Sciences et Technologies de l’Information et de la Communication (STIC) |
Abstract: | Selecting the most suitable algorithm to solve a continuous black-box optimization problem is a challenging task. With a wide range of optimization algorithms evaluated annually and easier 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 thesis, we everage Deep Learning technology combined with Exploratory Landscape Analysis techniques to predict the optimal solver (SBS) for any given set of problems. The performance of the proposed Deep Learning-based model surpasses that of a model based on traditional machine learning algorithms when applied to a set of continuous black-box optimization problems, thereby demonstrating 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 mémoire, nous utilisons la technologie d’apprentissage profond combinée à des techniques d’Analyse exploratoire du paysage pour prédire le solveur optimal (SBS) pour n’importe quel ensemble de problèmes donné. Les performances du modèle proposé basé sur l’apprentissage profond 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/123456789/4483 |
Appears in Collections: | Computer science |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Approche par apprentissage profond pour la sélection d’algorithmes dans l’optimisation à boîte noire (BBOP).pdf | 3,99 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.