Using the Empirical Attainment Function for Analyzing Single-objective Black-box Optimization Algorithms

本文讨论了一种基于经验实现函数（EAF）的替代方法，用于评估迭代式黑盒优化器的表现。传统的评估方法是分析在给定运行时间内达到预定义质量目标的经验累积分布函数（ECDF）。作者指出，目标为基础的ECDF是EAF的一种近似。EAF相比于目标为基础的ECDF具有几个优点，特别是不需要预先定义每个函数的质量目标，更准确地捕捉性能差异，并且可以使用额外的摘要统计信息来丰富分析。作者还展示了收敛曲线平均区域是一种更简单但等效的任意时刻性能度量。为了方便使用EAF，作者将计算EAF的模块集成到IOHanalyzer平台中。最后，作者通过合成示例和BBOB套件的数据来说明EAF的使用。

论文旨在探讨基于经验达成函数（EAF）的黑盒优化器性能评估方法，与传统基于目标的经验累积分布函数（ECDF）相比，EAF具有哪些优势？

通过比较EAF和ECDF，论文发现EAF能够更准确地反映性能差异，而且不需要预先定义质量目标，同时还能使用额外的摘要统计信息。此外，论文还提出了计算收敛曲线平均面积的方法。

论文将EAF计算模块集成到IOHanalyzer平台中，以便更方便地使用EAF。论文还通过合成实验和BBOB数据集展示了EAF的应用。

在相关研究方面，论文提到了基于目标的ECDF评估方法和其他黑盒优化器性能评估方法。