MetaBox-v2

MetaBox-v2是一个统一的基准平台，用于元黑盒优化。该数据集提供了18个合成/真实任务，包括1900多个实例，涵盖了单目标、多目标、多模型和多任务优化场景。它支持元学习算法设计策略，通过双层框架进行元训练，以减少在开发低层优化任务算法时所需的人工工作量。MetaBox-v2旨在解决传统黑盒优化器设计过程中的设计偏差问题，并为元黑盒优化领域提供更全面的基准平台。

MetaBox-v2 is a unified benchmark platform for meta black-box optimization. This dataset provides 18 synthetic/real-world tasks, comprising over 1900 instances, covering single-objective, multi-objective, multi-modal, and multi-task optimization scenarios. It supports meta-learning algorithm design strategies, and conducts meta-training via a two-layer framework to reduce the manual workload required when developing algorithms for low-level optimization tasks. MetaBox-v2 aims to address the design bias issue in the traditional black-box optimizer design process, and provide a more comprehensive benchmark platform for the field of meta black-box optimization.

原始信息汇总

MetaBox 数据集概述

数据集简介

• 名称: MetaBox
• 版本: 2.0 (MetaBox-v2)
• 领域: 元黑盒优化 (Meta-Black-Box Optimization, MetaBBO)
• 特点:
  • 支持多种优化场景（单目标、多目标、多模态、多任务等）
  • 包含18个优化问题集（合成+现实）、1900+问题实例和36种基线方法
  • 优化底层实现以支持并行元训练和评估
  • 提供清晰的教程和灵活的开发支持

优化问题集

单目标优化

名称	描述	维度	实例数	相关论文/代码
bbob	基于CoCo平台的96个代表性单目标合成问题实例	10D/30D/带噪声	24/子集	Paper, Code
bbob-surrogate	72个代理模型问题实例	2D/5D/10D	24/子集	Paper, Code
hpo-b	自动机器学习超参数优化基准	2D-16D	935	Paper, Code
uav	56个地形景观的无人机路径规划问题	30D	56	Paper, Code
ne	基于神经进化接口的机器人控制任务	≥1000D	66	Paper, Code
protein	蛋白质对接基准	12D	280	Paper, Code
lsgo	20个大尺度问题实例	905D-1000D	20	Paper, Code

多目标优化

名称	描述	维度	实例数	相关论文/代码
moo-synthetic	混合ZDT/UF/DTLZ/WFG问题集	6D-38D	187	Code
moo-uav	分解uav目标值为5个独立目标	30D	56	Paper, Code

多模态优化

名称	描述	维度	实例数	相关论文/代码
mmo	基于CEC2013LSGO基准的多模态优化	1D-20D	20	Paper, Code

多任务优化

名称	描述	维度	实例数	相关论文/代码
cec2017mto	包含9个多任务问题实例	25D-50D	9	Paper, Code
wcci2020	包含10个多任务问题实例	50D	10	Paper, Code
augmented-wcci2020	包含127个多任务问题	50D	127	Paper, Code

基线方法

黑盒优化 (BBO)

名称	目标优化场景	年份	相关论文
PSO	单目标优化	1995	Particle swarm optimization
DE	单目标优化	1997	Differential Evolution
CMAES	单目标优化	2001	Completely Derandomized Self-Adaptation
SHADE	单目标优化	2013	Success-history based parameter adaptation
MOEAD	多目标优化	2007	MOEA/D
MFEA	多任务优化	2016	Multifactorial Evolution

元黑盒优化 (MetaBBO)

名称	目标优化场景	年份	相关论文
RNNOPT	单目标优化	2017	Learning to learn without gradient descent
QLPSO	单目标优化	2019	A reinforcement learning-based communication topology
DEDDQN	单目标优化	2019	Deep reinforcement learning based parameter control
LDE	单目标优化	2021	Learning Adaptive Differential Evolution Algorithm

快速开始

安装

bash conda create -n metaevobox_env python=3.11.5 -y conda activate metaevobox_env pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cpu pip install metaevobox

使用示例

训练MetaBBO基线

python from metaevobox import Config, Trainer from metaevobox.baseline.metabbo import GLEET from metaevobox.environment.optimizer import GLEET_Optimizer from metaevobox.environment.problem.utils import construct_problem_set

config = {train_problem: bbob-10D, train_batch_size: 16, train_parallel_mode:subproc} config = Config(config) config, datasets = construct_problem_set(config) gleet = GLEET(config) gleet_opt = GLEET_Optimizer(config) trainer = Trainer(config, gleet, gleet_opt, datasets) trainer.train()

测试BBO/MetaBBO基线

python from metaevobox import Config, Tester, get_baseline from metaevobox.baseline.metabbo import GLEET from metaevobox.environment.optimizer import GLEET_Optimizer from metaevobox.baseline.bbo import CMAES, SHADE from metaevobox.environment.problem.utils import construct_problem_set

config = { test_problem:bbob-10D, test_batch_size:16, test_difficulty:difficult, baselines:{ GLEET:{agent: GLEET, optimizer: GLEET_Optimizer}, SHADE:{optimizer: SHADE}, CMAES:{optimizer:CMAES}, }, } config = Config(config) config, datasets = construct_problem_set(config) baselines, config = get_baseline(config) tester = Tester(config, baselines, datasets) tester.test()

文档资源

• 在线文档

搜集汇总

数据集介绍

构建方式

MetaBox-v2作为Meta-Black-Box Optimization（MetaBBO）领域的里程碑式升级，通过四大架构创新构建而成。首先，采用统一的算法接口设计MetaBBO模板，首次实现对强化学习、进化计算、梯度优化及大语言模型四种学习范式的兼容，并复现了23种前沿基线算法。其次，通过向量化优化环境和实例级分布式评估方案，实现了10-40倍的训练/测试加速。再者，重构可继承的问题基类，将测试套件从3个扩展至18个合成/现实任务（含1900+问题实例），覆盖单目标、多目标、多模态及多任务优化场景。最后，提供丰富的可扩展接口，支持自定义分析可视化及与外部优化工具的无缝集成。

特点

MetaBox-v2展现出多维度技术特性：在框架层面，其统一架构支持RL、进化、梯度和基于LLM的算法设计范式，解决了领域内方法异构的集成难题。性能层面，创新的向量化并行方案突破传统元训练的效率瓶颈，测试吞吐量提升达40倍。数据层面，构建了当前最全面的多模态优化基准库，涵盖蛋白质对接、无人机路径规划等现实场景任务。生态层面，通过模块化设计实现与DEAP、PyCMA等开源生态的深度兼容，并提供完整的元数据记录接口，为算法可解释性研究奠定基础。

使用方法

该数据集支持三种典型使用模式：研究者可通过继承Basic_Problem类快速构建自定义优化问题，利用预置的Ray并行模式（四种加速方案）进行大规模评估。开发者能基于统一Agent接口实现新算法，调用向量化环境实现批量策略更新。分析人员可提取优化过程的完整元数据（包含种群轨迹、目标值序列等），结合内置的抗NFL指标和学习效率指标开展泛化性研究。平台提供与COCO、EvoX等基准的兼容接口，支持跨工具链的对比实验设计。

背景与挑战

背景概述

MetaBox-v2是由华南理工大学、香港理工大学和麻省理工学院的研究团队于2025年提出的元黑盒优化基准平台，作为2023年原始MetaBox的重要升级版本。该平台旨在解决自动化优化算法设计中的核心问题，通过元学习技术构建双层框架：元级策略通过元训练减少底层优化任务中的人工干预需求。作为首个支持强化学习的单目标元黑盒优化开源框架，MetaBox-v2通过统一架构支持强化学习、进化计算和基于梯度的方法，显著推动了智能优化算法自动设计领域的发展。

当前挑战

MetaBox-v2面临的主要挑战包括：1) 领域问题挑战：需解决多目标优化、多模态优化和大规模全局优化等复杂场景下的算法泛化性问题；2) 构建过程挑战：实现跨四种元学习范式的统一接口设计，处理1900多个问题实例的基准测试集集成，以及开发能降低10-40倍训练/测试时间的高效并行化方案。这些挑战要求平台在保持扩展性的同时，确保不同优化场景下的评估公平性和结果可比性。

常用场景

经典使用场景

MetaBox-v2作为元黑盒优化（MetaBBO）领域的统一基准平台，其经典使用场景涵盖多范式算法开发与评估。在自动化算法设计的研究中，该数据集通过支持强化学习（RL）、进化计算（NE）、监督学习（SL）和上下文学习（ICL）四种元学习范式，为研究者提供了跨模态性能对比的标准化环境。其内置的18类合成与真实优化任务（如蛋白质对接、无人机路径规划）可模拟不同复杂度的问题分布，尤其适用于验证元学习策略在单目标、多目标及多模态优化中的泛化能力。

实际应用

在工业实践中，该数据集已成功应用于超参数自动调优（HPO-B）、芯片布局优化（BBOPlace）等场景。其并行加速特性显著降低了大规模工程优化问题的求解成本，例如在蛋白质分子对接任务中，通过Ray分布式模式将原本需数周的仿真计算缩短至小时级。开放的API设计还支持与DEAP、PyCMA等优化库无缝集成，为智能制造、生物计算等领域提供即插即用的算法适配方案。

衍生相关工作

基于MetaBox-v2的基准能力，已衍生出多项标志性研究：GLEET（2024）利用其Transformer策略接口实现了动态探索-开发权衡；SYMBOL（2024）通过符号方程学习构建了可解释优化器生成框架；RLDEAFL（2025）结合自动化特征学习改进了差分进化算法。该平台还催生了MATLAB扩展版PlatMetaX（2025），形成了跨语言的元优化工具生态。