知识卡片：AMM——基于在线景观探测的预算感知优化器路由

一句话结论

AMM（Adaptive Multi Mode）是一种面向连续黑盒优化的预算感知路由器，它通过在线探测曲率、平台、可分性、折点、盆地与分形结构，在拟牛顿、信赖域、坐标、多起点与进化策略等优化引擎之间分配已知预算；在预留 bbob 实例上，AMM 在 600 个“函数-维度-预算”单元中的 382 个取得最高目标份额。

事件概述或研究问题

连续黑盒优化中“最佳经典优化器”取决于预算与景观形态。现有路由器多依据维度与预算、历史改进量或单一基准上拟合的特征做决策，较少在线检验优化器的隐含假设。AMM 的研究问题是：能否用在线景观探测，在给定预算下把预算路由给更合适的优化引擎。

方法/产品要点

• 路由对象：拟牛顿、信赖域、坐标、多起点与进化策略等优化引擎。
• 在线探测维度：曲率、平台、可分性、折点、盆地、分形结构。
• 探测约束：每个探测有默认值、维度×预算的有效范围，且探测成本计入总预算。
• 预注册开发：在 bbob 上进行预注册开发循环，36 个预测中 32 个在最后 16 次确认中成立。
• 一次性留出测试：在 bbob 实例 101–110（D=2–40，预算 10D–1000D）上与至多七个竞争者比较。
• 开源发布：Python 包 amm-optimizer（pip install amm-optimizer），代码库 https://github.com/BjBodner/amm-optimizer。

主要结果或产业意义

• 目标份额：在 600 个函数-维度-预算单元中，AMM 在 382 个单元取得最高目标份额（236 个独占最高，146 个并列最高）；按描述性后验规则，在 35 个单元中可信地落后，多集中在 10D 与 30D 预算。
• 对照比较：在每个预算上，AMM 均领先由其自身引擎构建的对照（单独最佳引擎、按维度与预算的最佳引擎、贪心调度），在 10D 与 30D 上优势较窄；也领先 nevergrad 的 NgIohTuned。
• 预注册稳健性：相对 IPOP-CMA-ES 的领先在仿射变换与箱约束变换、箱约束 bbob 以及旋转 f2–f4 合并条件下保持；但旋转可分函数 f3 与 f4 后，该领先大部分消失。
• MA-BBOB 留出集：在 2000*D 预算下最终份额与 IPOP-CMA-ES 持平，anytime 面积更低。

为什么重要

它把“优化器选择”从静态元学习或维度/预算启发式，推进为在线检验景观假设并计入探测成本的预算感知路由；同时以预注册开发加一次性留出测试的方式报告结果，并开源实现，便于复现与后续比较。与既有卡片中面向 LLM/智能体的任务级路由（如 TRACE-ROUTER）不同，本条关注的是数值优化引擎层面的路由，属于不同应用脉络的增量。

局限与不确定性

• 主要证据集中在 bbob 及其变换变体与 MA-BBOB；其他问题族与真实工程黑盒上的表现待核实。
• 在 10D 与 30D 小预算区间优势较窄，且在这些区间存在可信落后的单元。
• 旋转可分函数 f3、f4 后领先大部分消失，说明对可分结构的探测收益依赖具体变换设定。
• “描述性后验规则”的统计性质与阈值细节未在摘要中展开，待核实。
• MA-BBOB 上 anytime 面积低于 IPOP-CMA-ES，说明并非在所有评价口径下都占优。

可用于图书/PPT/简报的角度

• 作为“元优化/算法选择”章节案例：从离线元学习到在线景观探测的转变。
• 作为“预算感知决策”案例：探测本身消耗预算，路由需权衡信息收益与优化开销。
• 作为“预注册+留出测试”的方法学示例：36 个预测中 32 个在确认中成立，随后一次性留出测试。
• 作为“开源可复现工具”示例：pip 安装与 GitHub 仓库可直接用于教学演示。
• 作为“对照设计”示例：与自身引擎的最佳单引擎、按维度预算的最佳引擎、贪心调度对比，排除“引擎集合本身更强”的解释。

原始材料

• 标题：Adaptive Multi Mode: Budget-Aware Routing of Optimizers By Online Landscape Probes
• 作者：Benjamin Jacob Bodner
• arXiv ID：2611.06879v1（cs.LG；cs.NE；math.OC）
• 发布/更新：2026-11-04T18:35:35Z
• 摘要页：https://arxiv.org/abs/2611.06879v1
• PDF：https://arxiv.org/pdf/2611.06879v1
• 代码：https://github.com/BjBodner/amm-optimizer
• 安装：pip install amm-optimizer