Benchmarking the (1+1)-ES with One-Fifth Success rule on the BBOB-2009 Noisy Testbed

Anne Auger 1, 2
1 TAO - Machine Learning and Optimisation
LRI - Laboratoire de Recherche en Informatique, UP11 - Université Paris-Sud - Paris 11, Inria Saclay - Ile de France, CNRS - Centre National de la Recherche Scientifique : UMR8623
Abstract : The (1+1)-ES with one-fifth success rule is one of the first and simplest stochastic algorithm proposed for optimization on a continuous search space in a black-box scenario. In this paper, we benchmark an independent-restart (1+1)-ES with one-fifth success rule on the BBOB-2009 noisy testbed. The maximum number of function evaluations used equals $10^{6}$ times the dimension of the search space. The algorithm could only solve 3 functions with moderate noise in 5-D and 2 functions in 20-D.
Type de document :
Communication dans un congrès
ACM-GECCO Genetic and Evolutionary Computation Conference, Jul 2009, Montreal, Canada. 2009
Liste complète des métadonnées

https://hal.inria.fr/inria-00430516
Contributeur : Anne Auger <>
Soumis le : dimanche 8 novembre 2009 - 13:54:23
Dernière modification le : jeudi 5 avril 2018 - 12:30:12
Document(s) archivé(s) le : jeudi 17 juin 2010 - 19:45:03

Fichier

Auger-wk2038.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : inria-00430516, version 1

Collections

Citation

Anne Auger. Benchmarking the (1+1)-ES with One-Fifth Success rule on the BBOB-2009 Noisy Testbed. ACM-GECCO Genetic and Evolutionary Computation Conference, Jul 2009, Montreal, Canada. 2009. 〈inria-00430516〉

Partager

Métriques

Consultations de la notice

238

Téléchargements de fichiers

161