面向 SAEA 的双空间景观分析与双重控制机制元黑箱优化

基于摘要分析。本文研究昂贵多目标黑箱优化中，代理辅助进化算法（SAEA）的候选生成与加点评估准则依赖人工固定设计、难以灵活适应不同任务的问题。作者提出 Dual-Control Bi-Space Surrogate-Assisted Evolutionary Algorithm（DB-SAEA），通过强化学习训练元策略，联合控制候选生成和加点评估准则选择。 核心机制是双空间 Exploratory Landscape Analysis（ELA）：采用基于注意力的架构，从真实评估空间和代理评估空间提取优化状态。作者称该模块可适配不同问题维度、种群规模与目标数量。框架采用 TabPFN 作为代理模型，提供预测与不确定性估计，并结合并行采样和集中式训练提升训练效率与跨任务迁移能力。摘要未披露状态编码、动作定义、奖励设计及不确定性估计的具体实现，这些细节尚未验证。 作者报告，DB-SAEA 在多种基准上优于所比较的先进基线，并能零样本迁移至未见的更高维任务；摘要未提供基准名称、维度范围、真实评估预算、指标或性能数值，因此无法判断优势大小及比较条件。作者还声称，这是首个同时具备 SAEA 双层控制和利用代理模型信息的双空间 ELA 的 MetaBBO 框架，该优先性主张尚未独立核对。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其与 EEG 的潜在对应关系是昂贵的解码器超参数或通道配置搜索，而非直接进行神经信号建模。可复用模块包括代理建模与双重搜索控制；需重新定义搜索变量、多目标指标、评估预算及元训练任务分布。该机制依赖候选配置的真实评估与代理预测反馈，但所需元训练任务数量尚未验证。EEG 低信噪比、小样本及跨被试差异可能使验证分数波动、代理不确定性失准，并导致元策略迁移失败。一个可检验的小实验是在固定数据划分和相同真实评估预算下，用内层验证集搜索解码器配置，对比双重控制与固定加点准则，外层测试集仅用于最终评估。已有 EEG 相关工作尚未检索确认。