A Novel ML-driven Test Case Selection Approach for Enhancing the Performance of Grammatical Evolution

在元启发式算法（如进化算法）中，计算成本通常是一个主要问题，特别是在它们的可伸缩性方面。在基于数据的训练中，传统的进化算法通常在每一代中使用数据集的大部分甚至全部来进行模型训练和适应度评估。这使得进化算法在种群适应度评估时面临高计算成本的问题，特别是在处理大型数据集时。为了缓解这个问题，我们提出了一种基于机器学习的距离选择算法（DBS），通过优化测试用例来减少适应度评估时间。我们通过将其应用于符号回归（SR）和数字电路领域的24个基准问题，并使用语法进化（GE）来训练使用减少的数据集的模型来测试我们的算法。我们使用GE在SR上测试DBS，并产生足够灵活的系统，可以进一步在数字电路问题上进行测试。通过比较使用DBS选择的训练数据的覆盖率（即子集与整个数据集的统计属性匹配程度）来测试解的质量，并将其与传统的训练方法进行比较。此外，还分析了优化训练数据对运行时间和进化解的有效大小的影响。实验和统计评估结果表明，我们的方法使GE能够以更小的大小产生优秀或相当的解，同时具有计算效率和速度。

减少元启发式算法中计算成本的问题，提高计算效率

提出一种基于机器学习的距离选择算法，通过优化测试用例来减少元启发式算法中的适应度评估时间

使用了24个Symbolic Regression和数字电路问题的基准测试，实验结果表明该算法可以在保证解质量的情况下显著降低计算成本，并且所选的训练数据子集与整个数据集的统计特性相匹配

近期的相关研究包括使用深度学习来优化元启发式算法的适应度评估过程，以及使用近似计算来加速元启发式算法的求解过程