Публикации
Главная
О Работе Секции
Cеминары
Руководители
Библиотека
Другие Секции
ADBIS
RCDL
[ Russian ] [ English ]

Сравнительный анализ программных платформ и организации сбора данных для экспериментов с метаэвристическими алгоритмами

Руслан Джексембаев, Рамон Антонио Родригес Залепинос
НИУ ВШЭ

Во многих прикладных задачах оптимизации целевая функция недифференцируема либо её производные недоступны, что ограничивает применение градиентных методов. Для поиска решений в таких условиях часто используются метаэвристические алгоритмы. Существуют сотни таких алгоритмов и их модификаций, а для решения задач требуются многократные запуски алгоритмов при различных конфигурациях. Крупные серии экспериментов могут занимать недели и создавать значительные объёмы данных. Доклад посвящён анализу программных платформ для организации таких экспериментов и реализованных в них подходов к сбору и хранению данных. Предлагается классификация платформ по поддерживаемым этапам экспериментального процесса: формированию заданий, выполнению вычислений, сбору, хранению и анализу результатов. Особое внимание уделяется организации баз данных и файловых хранилищ, сохранению метаданных и промежуточных результатов, воспроизводимости экспериментов и ограничениям при параллельной записи. В докладе будут сопоставлены возможности существующих решений, выявлены основные вызовы организации экспериментов с точки зрения управления потоками данных и задач, а также определены условия применения платформ при различных вычислительных нагрузках и требованиях к данным.

Литература:

  1. de Nobel J. et al. IOHexperimenter: Benchmarking Platform for Iterative Optimization Heuristics. Evolutionary Computation. 2024. Vol. 32, no. 3. P. 205–210. DOI: 10.1162/evco_a_00342.
  2. de Rosa G. H., Rodrigues D., Papa J. P. Opytimizer: A Nature-Inspired Python Optimizer. 2019. arXiv:1912.13002.
  3. Vrbancic G., Brezocnik L., Mlakar U., Fister D., Fister I. NiaPy: Python Microframework for Building Nature-Inspired Algorithms. Journal of Open Source Software. 2018. Vol. 3, no. 23. Article 613.
  4. Van Thieu N., Mirjalili S. MEALPY: An Open-Source Library for Latest Meta-Heuristic Algorithms in Python. Journal of Systems Architecture. 2023. DOI: 10.1016/j.sysarc.2023.102871.
  5. Faris H., Aljarah I., Mirjalili S., Castillo P. A., Merelo J. J. EvoloPy: An Open-Source Nature-Inspired Optimization Framework in Python. Proceedings of the 8th International Joint Conference on Computational Intelligence. 2016. P. 171–177. DOI: 10.5220/0006048201710177.
  6. Rapin J., Teytaud O. Nevergrad - A Gradient-Free Optimization Platform. Official documentation.
  7. de Nobel J. et al. Modular CMA-ES; Vermetten D. et al. Modular Differential Evolution. Official projects: ModularCMAES, ModDE.
  8. van Stein N., Back T. LLaMEA: A Large Language Model Evolutionary Algorithm for Automatically Generating Metaheuristics. IEEE Transactions on Evolutionary Computation. 2025. DOI: 10.1109/TEVC.2024.3497793.
  9. Van Thieu N., Oliva D., Perez-Cisneros M. MetaCluster: An Open-Source Python Library for Metaheuristic-Based Clustering Problems. SoftwareX. 2023. Vol. 24. Article 101597.
  10. Duan Q., Zhou G., Shao C. et al. PyPop7: A Pure-Python Library for Population-Based Black-Box Optimization. Journal of Machine Learning Research. 2024. Vol. 25, no. 296. P. 1-28.
  11. Alvarez-Mamani E., Yarahuaman-Rojas M., Huillca-Huallparimachi R. Parallel-EvoCluster: An Open-Source Parallel Nature-Inspired Optimization Clustering. Communications in Computer and Information Science. 2024. P. 1–16. DOI: 10.1007/978-3-031-63616-5_1.
  12. Benitez-Hidalgo A. et al. jMetalPy: A Python Framework for Multi-Objective Optimization with Metaheuristics. Swarm and Evolutionary Computation. 2019. Vol. 51. Article 100598.
  13. Coletti M. et al. LEAP: Evolutionary Algorithms in Python. Proceedings of GECCO Companion. 2020. Official project.
  14. Toklu N. E. et al. EvoTorch: Scalable Evolutionary Computation in Python. 2023. arXiv:2302.12600.
  15. Fortin F.-A. et al. DEAP: Evolutionary Algorithms Made Easy. Journal of Machine Learning Research. 2012. Vol. 13. P. 2171–2175. Publication.
  16. Biscani F., Izzo D. A Parallel Global Multiobjective Framework for Optimization: pagmo. Journal of Open Source Software. 2020. Vol. 5, no. 53. Article 2338.
  17. Papenmeier L. et al. Simple and Reproducible Benchmarking for Black-Box Optimization. OpenReview preprint. Publication describing Bencher.
  18. Torring J. O., Hvarfner C., Nardi L., Sjalander M. CATBench: A Compiler Autotuning Benchmarking Suite for Black-Box Optimization. Proceedings of the Fourth International Conference on Automated Machine Learning. PMLR 293. 2025.
Supported by Synthesis Group