Automated and Feature-Based Problem Characterization and Algorithm Selection Through Machine Learning
Year: 2017
Type: report
Abstract: 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.
Author: Pascal Kerschke
Language: English
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W2799637810
