郑州大学计算智能实验室

Computational Intelligence Laboratory

实际应用问题测试集


CEC 2011 competition

Problem definitions and evaluation criteria for CEC 2011 competition on testing evolutionary algorithms on real world optimization problems(paper)(link)


多层感知器(Multi-layer Perceptron, MLP)的训练过程公式化

Fitness distance correlation of neural network error surfaces: A scalable, continuous optimization problem(paper)(link)


利用水力,火力共同作用的发电系统的实际应用问题

Dynamic multi-objective optimization and decision-making using modified NSGA-II: a case study on hydro-thermal power scheduling(paper)(link)


基于天线优化问题的标准测试函数

Fundamental Parameters of Antennas(paper)(link)

A Pattern Synthesis of Circular Arrays by Phase Adjustment(paper)

Benchmark antenna problems for evolutionary optimization algorithms(paper)(link)

Radiation characteristics of thin-wire V-antennas excited by arbitrary time dependent currents(paper)(link)


MINPACK-2 Test Problem

User Guide for the MINPACK-2 Test Problem Collection(paper)(link)


异或问题及数学建模后的函数表达式

A class of gradient unconstrained minimization algorithms with adaptive step size(paper)(link)

Stretching technique for obtaining global minimizers through particle swarm optimization(paper)(link)


医院动态资源管理

Evolutionary multiobjective optimization for dynamic hospital resource management(paper)(link)


实际问题模型化并构建出相应的测试函数

Real world oriented test functions(paper)(link)


鲁棒优化问题测试函数

A directed artificial bee colony algorithm(paper)(link)

A Parallel Double-Level Multiobjective Evolutionary Algorithm for Robust Optimization(paper)(link)

Robust optimization using Bayesian optimization algorithm Early detection of non-robust solutions(paper)(link)

面向芯片布局任务的黑箱优化(BBO)专用测试基准平台

BBOPlace-Bench(paper)(link)

其模块化地解耦了问题建模、算法设计、评估接口,支持自定义 BBO 算法的灵活集成(已内置演化算法、贝叶斯优化等经典BBO方法),整合了 ISPD 2005 与 ICCAD 2015 工业级芯片案例,为大家提供了BBO算法求解芯片布局任务的性能测试标准化平台。

摄像机布置与覆盖优化

Ealain: A Camera Simulation Tool to Generate Instances for Multiple Classes of Optimisation Problem(GECCO Companion 2024)(paper)(code)

说明:Ealain以摄像机布置与覆盖为背景,通过仿真生成不同类型的优化实例。提供可配置的空间布置应用问题,便于研究者在统一评价环境中比较优化算法。应用问题生成器。

工程多目标设计

Engineering applications of multi-objective evolutionary algorithms: A test suite of box-constrained real-world problems(MO-RWA,2023)(paper)(code)

说明:MO-RWA汇编了10个具有工程应用背景的盒约束多目标问题,公开问题实现及研究中获得的非支配参考集,用于评价多目标进化算法。提供人工函数之外的工程目标权衡;

分子对接与药物设计

DOCKSTRING: Easy Molecular Docking Yields Better Benchmarks for Ligand Design(2022)(paper)(code)(优化基准)

说明:DOCKSTRING利用分子对接评分构建面向药物设计的评价任务,提供对接程序、数据及基准示例。其中的分子优化任务,用于考察算法在有限评分预算下搜索优良候选分子的能力;

风电场布局优化

A comparison of eight optimization methods applied to a wind farm layout optimization problem(2023)(paper)(code & data)

说明:该研究提供具有4个不连续区域、凹形边界和81台风机的风电场布局优化案例,并公开布局、物理模型及相关复现资料。考察算法处理场地限制和风机尾流相互作用的能力。

航空与热传导等工程设计

EngiBench: A Framework for Data-Driven Engineering Design Research(NeurIPS 2025)(paper)(code)

说明:EngiBench统一封装航空、热传导、光子学等领域的工程设计问题,提供仿真及数据接口,用于比较优化算法、代理模型和生成设计方法。支持跨工程场景的可复现实验。

CEC 2023 Competition on Large-scale Continuous Optimization for Non-contact Measurement(code & competition)

该竞赛从非接触式电压测量(NVM)和电流测量(NIM)两类应用问题中,为单目标与多目标赛道各选取 6 个大规模连续优化测试问题

机器学习模型设计与超参数优化

Neural Architecture Search as Multiobjective Optimization Benchmarks: Problem Formulation and Performance Assessment (EvoXBench,2023)(paper)(code)

EvoXBench 将神经网络架构搜索转化为多目标优化测试问题,同时考虑预测性能、模型规模、计算量等指标,提供统一的问题接口和评测环境。

A Multi-objective Optimization Benchmark Test Suite for Real-time Semantic Segmentation(CitySeg/MOP,GECCO 2024)(paper)(code)

基于 Cityscapes 数据集构建的 15 个实时语义分割架构搜索多目标测试问题,补充视觉任务中精度、效率与硬件性能之间的权衡场景;代码集成于 EvoXBench。

机器学习超参数与联合搜索基准

YAHPO Gym - An Efficient Multi-Objective Multi-Fidelity Benchmark for Hyperparameter Optimization (2022 正式会议)(paper)(code)

基于代理模型的超参数优化基准,论文包含14类场景、700多个问题,支持同时评价模型性能、时间和内存等指标,并以不同训练预算提供多保真评价。补充资源受限的机器学习调参场景;代理评价无需逐次完整训练原模型。

JAHS-Bench-201: A Foundation For Research On Joint Architecture And Hyperparameter Search (2022)(paper)(code)

联合搜索神经网络结构与训练超参数,扩展NAS-Bench-201搜索空间,并提供代理评价,支持多目标、成本感知及多保真优化。

FedHPO-B: A Benchmark Suite for Federated Hyperparameter Optimization (2022)(paper)(code)

面向联邦学习超参数优化,覆盖数据分散于不同客户端的协同学习任务,补充集中式调参基准难以覆盖的应用条件。

真实工程许多目标优化问题

Benchmarking Real-World Many-Objective Problems: A Problem Suite With Baseline Results (2024)(paper)

汇集11个真实工程背景的许多目标问题并提供基线结果,补充人工函数难以覆盖的工程权衡。

分子优化问题

Sample Efficiency Matters: A Benchmark for Practical Molecular Optimization (PMO, NeurIPS 2022)(paper)(code)

PMO是分子设计样本效率基准,论文评估23个优化任务,关注在有限分子评分调用预算下获得优良分子的能力。

深度学习模型超参数调优数据

Pre-trained Gaussian Processes for Bayesian Optimization (PD1 benchmark,关联论文 JMLR 2024)(paper)(code )

PD1提供深度学习超参数配置及训练表现数据,可用于建立、评价超参数优化基准。