3. 最適化アルゴリズム: 違いと使用例

3.1. さまざまなアルゴリズムについて学ぶ理由

パラメータ空間と計算コストは​​大きく異なります。グリッド検索は狭い空間では信頼性がありますが、組み合わせによって爆発的に増加します。ヒューリスティックまたはベイジアン手法は、限られた評価予算の下で精度と速度を引き換えにします。アルゴリズムは、連続パラメータ、離散パラメータ、または混合パラメータのサポートにおいても異なります。

3.2. 最適化アルゴリズムの比較 (相違点も含めてリスト)

アルゴリズム	簡単な原則	長所と制限	代表的なパラメータスケール	連続/離散/混合	一般的なコンピューティングコスト
grid	グリッド点の徹底的な検索または走査	シンプルで再現可能。高次元では非現実的	小 (2 ～ 3 次元)	ほとんどがディスクリート	グリッド サイズに応じて直線的に増加します
montecarlo	パラメータの組み合わせのランダムサンプリング	シンプルで並列化が簡単。安定性を得るには多くのサンプルが必要です	中～大	すべてサポートされています	sample_count によって決定されます
GA	選択、交叉、突然変異	非凸のマルチモーダル問題に適しています。ハイパーパラメータに敏感	中～大	すべてサポートされています	世代と人口規模によって決まる
SA	模擬アニーリング。確率的により悪い解決策を受け入れる	局所最適化を回避できる。収束が遅い	中くらい	すべてサポートされています	反復回数によって決定される
PSO	粒子群の位置と速度の更新	連続した空間に強い。個別のパラメータにはエンコードが必要です	中～大	ほとんど継続的	粒子数と反復によって決定される
bayesian	サロゲートモデル+取得関数	少ないサンプルで効率的。高次元ではコストがかかる	小規模から中規模	ほとんど継続的	反復とモデルフィッティングによって決定される

3.3. 使用例と選択のアドバイス

• 離散パラメータはほとんどありません: grid or small-scale montecarlo を推奨します。

• パラメータが多く、評価手順が少ない: bayesian or GA/PSO を検討してください。

• 連続的なマルチモーダル空間: PSO, GA, or SA。

• opti_sample_count and parameter count: With too few samples or iterations, heuristics may stop early; increase opti_sample_count または必要に応じてパラメーターの次元を減らします。

3.4. 早見表

上の表を参照してください。実際には、現在の qteasy リリースとそのドキュメントでサポートされている opti_method 値に従ってください。各アルゴリズムの一般的な設定 (GA の母集団サイズや突然変異率など) とその構成名とデフォルトに注意してください。