GLHF: General Learned Evolutionary Algorithm Via Hyper Functions

预训练优化模型（POMs）利用优化各种任务所获得的知识，通过直接使用或微调为新的优化挑战提供高效的解决方案。尽管当前POMs存在效率低下和有限的泛化能力，但我们提出的模型——通用预训练优化模型（GPOM），解决了这些缺点。GPOM构建了一个基于种群的预训练黑盒优化（BBO）模型，专为连续优化而设计。在BBOB基准测试和两个机器人控制任务中的评估表明，GPOM明显优于其他预训练BBO模型，特别是对于高维任务。其直接优化性能超过了最先进的进化算法和POMs。此外，GPOM在不同任务分布、维度、种群大小和优化时间跨度上表现出了强大的泛化能力。

本论文旨在解决预训练优化模型（POM）的效率和泛化能力受限的问题，提出了一种新的通用预训练优化模型（GPOM）。

GPOM构建了一个基于种群的预训练黑盒优化模型，针对连续优化进行优化，通过在BBOB基准测试和两个机器人控制任务上的评估，证明了GPOM在高维任务中显著优于其他预训练BBO模型，直接优化性能超过了最先进的进化算法和POM。

本文的亮点在于提出了一种新的预训练优化模型，GPOM，在BBOB基准测试和两个机器人控制任务上的表现优于其他预训练BBO模型，尤其是在高维任务中。GPOM还表现出对各种任务分布、维度、种群大小和优化时间的鲁棒泛化能力。本文的实验设计合理，使用了BBOB基准测试和两个机器人控制任务进行评估，并开源了代码。

近期的相关研究包括：'Pretrained Neural Networks for Shortest Path and Time-Dependent Shortest Path Problems'，'Pretrained Neural Networks for Solving Quadratic Assignment Problems'等。