数据集概述
本数据集是研究“基于随时性能调优的遗传算法自动配置”的结果，对比网格搜索与迭代竞赛（Irace）、混合整数并行高效全局优化（MIP-EGO）、混合整数进化策略（MIES）三种自动算法配置方法，针对期望运行时间（ERT）和经验累积分布函数曲线下面积（AUC）优化遗传算法（GA），并在25个伪布尔问题上测试，包含配置性能、统计检验及Irace运行结果三类数据。
文件详解
- 核心数据与配置文件
- 文件名称：data.csv、configurations.xlsx
- 文件格式：CSV、XLSX
- 字段映射介绍：
- data.csv：包含维度（DIM）、问题编号（funcId）、算法编号（algId）、目标值（target）、均值（mean）、中位数（median）、标准差（sd）、分位数（2%至98%）、期望运行时间（ERT）、运行次数（runs）、参数设置（ps）等遗传算法性能指标。
- configurations.xlsx：记录各配置方法得到的遗传算法参数设置。
- 统计检验文件
- 文件名称：pvalues-le.csv、pvalues-ge.csv
- 文件格式：CSV
- 字段映射介绍：包含问题编号（funcId）及各配置方法（Grid Search、Irace、MIES、MIP-EGO）对应ERT和AUC的Wilcoxon-Mann-Whitney检验p值，分别代表（1+1）-EA评估时间小于/大于目标GA的假设检验结果。
- Irace运行结果文件
- 文件名称：Irace-OM.csv、Irace-LO.csv
- 文件格式：CSV
- 字段映射介绍：记录20次Irace在Onemax和LeadingOnes问题上的运行结果，包含算法名称（含成本 metric、预算比例t、运行ID）对应的性能数据。
数据来源
研究“Automated Configuration of Genetic Algorithms by Tuning for Anytime Performance”
适用场景
- 遗传算法配置方法评估: 对比不同自动配置方法在伪布尔问题上的ERT和AUC优化效果。
- 算法性能统计分析: 利用Wilcoxon检验p值分析配置后遗传算法与（1+1）-EA的性能差异。
- Irace算法稳定性研究: 基于20次重复运行结果，分析Irace在不同问题和预算下的配置稳定性。
- 伪布尔问题算法优化: 为伪布尔问题的遗传算法参数调优提供数据支持。
