可解释景观分析如何适用于多种优化问题？

XLA 把景观特征当作解释而非预测

探索性景观分析（ELA）以低成本提取大量低层特征，再送入机器学习流程用于自动算法选择。论文认为这一转向牺牲了可解释性：许多低层特征无法直接解读，也很难具体说明哪些特征能区分不同问题类别，例如高中性还是低中性的问题。

论文提出的替代方案是可解释景观分析（XLA），它保留了直观理解这一目标。其明确前提是：景观特征最有价值之处在于为实践者提供可操作的含意，而不一定在于取得高预测精度，因为预测表现本身依赖具体情境。这里的可解释性由面向直观解读的特征、以及可视化与数值指标并行的输出共同实现。

统一输入格式让方法具备通用性

该框架分为两个彼此独立的组件：数据表示（加载与采样）和分析（应用景观技术）。输入用字母命名：X 表示采样解，F 表示目标值，V 表示约束违反值，D 表示成对距离，N 表示邻域关系，I 表示任何附加信息。所有输入必须对应同一批采样解，每个解在各文件间使用唯一标识符。

基础分析只需要目标值 F。随着更多输入被提供，更多特征变得可用，因此分析的范围取决于可用数据。正是这种分离，构成了论文所称跨连续与组合表示、单目标与多目标、有约束与无约束问题通用性的机制。

用户既可以按指定格式提供 CSV 文件，也可以提供替代信息，由 pyXla 计算所需输入。辅助函数可生成各类输入：sample X、compute F、compute V、compute D 和 compute N。除 sample X 外，所有辅助函数都需要一个 X 文件，而该文件本身可以通过对问题空间采样生成。

采样方式决定你实际看到哪种景观

由于景观特征依赖样本，不同采样算法会对同一问题实例给出不同视角。pyXla 实现了五种：随机均匀采样、拉丁超立方采样、随机游走采样、自适应游走采样和希尔伯特曲线采样。在当前版本中，随机均匀采样适用于组合与连续两类域，其余四种用于连续域。

这些算法各有用途。随机均匀采样和拉丁超立方采样因简单且常见而被纳入。游走是一种有序序列，其中每个样本都与前一个相邻；随机游走在每一步随机选取一个邻居，通常用于刻画崎岖度。自适应游走在每一步选取一个更优邻居，直到陷入局部最优，面向适合衡量爬山算法轨迹、并捕捉多峰性的特征。希尔伯特曲线采样在样本映射到一维时提供具有空间相关性的覆盖，从而无需重新排序样本即可确定邻域。

论文用同一随机种子、在边界框 [-5, 5] 内生成 100 个样本的二维对比来说明差异。随机游走和自适应游走采样的步长为 0.5，自适应游走由球函数引导。这是对采样行为的演示，而不是哪种采样器最优的基准测试。

十六种特征按所需输入分为四类

该工具箱组合了 16 种可解释景观分析特征，分为四类。统计特征包括目标值分布（distr F）、违反值分布（distr V）、数值相关性（corr）、秩相关性（corr ranks）和变量重要性（X imp）。基于秩的特征包括 Pareto 秩分布（distr Par）和 Deb 秩分布（distr Deb）。基于距离的特征包括适应度距离相关（FDC）、违反距离相关（VDC）、秩距离相关（RDC）、成对距离相关（PDC）和最优解离散度（disp best）。邻域特征包括相邻解目标值相关（NFC）、相邻解违反值相关（NVC）、相邻解秩相关（NRC）和相邻可行性变化（NCF）。

这些特征在可能之处以通用方式实现，因此同一技术不仅能分析适应度值，也能分析约束问题的违反值。例如，适应度距离相关技术被扩展到违反值，得到违反距离相关，从而可以分析违反景观。distr F 和 distr V 的数值输出在 pyXla 中统一使用同一组描述性统计量：均值、中位数、最小值、最大值、第一四分位数、第三四分位数、标准差、偏度和峰度。

可搜索性区分约束球函数与 Easom 函数

论文在具有多样景观特征的手工构造问题上演示输出。对于相邻解秩相关（NRC）特征，约束球函数问题在目标秩上得到 0.9970，约束 (2) 的秩为 0.9949，约束 (3) 的秩为 -0.2022，paretoV 秩为 0.8840，Deb 秩为 0.8898，paretoFV 秩为 0.9961。Easom 函数无约束且只有一个目标，因此只有一个秩，其 NRC 系数为 0.3308。

论文把这些数值解读为可搜索性的对比：约束球函数的目标因其近乎完美的 NRC 系数而具有高可搜索性，而 Easom 函数由于中性，可搜索性低得多。在球函数问题内部，除约束 (3) 的秩外，所有秩都有较高 NRC；约束 (3) 因正弦函数的周期性而不具备高可搜索性。这些是特定演示问题上的特征值，而不是对问题类别的一般排序。

可行性转移揭示约束如何塑造邻域

相邻可行性变化（NCF）特征使用邻域文件，计算解之间转移导致可行性变化的比例，以及不导致变化的比例。对于约束球函数问题的约束 (2)，连续可行比例为 0.9798，非连续为 0.0202；论文认为这符合预期，因为可行区域是连续的，并夹在两个连续不可行区域之间。对于约束 (3)，非连续可行比例为 0.596，连续为 0.404；论文将其归因于正弦函数的周期性，使转移到可行性不同的邻居更可能发生。

当两个约束一起考虑时，连续可行比例为 0.8383，非连续为 0.1616。单个约束与合并比例之间的对比很重要：单个约束可能看起来高度非连续，而合并后的可行性结构仍显得大体连续。因此，比较约束难度的读者应确认所报告的比例是针对单个约束还是跨约束聚合的。

该工具箱是起点而非完整特征集

论文指出，已开发的工具箱在 XLA 特征集合上并不完备。计划新增的内容包括局部最优网络、基于熵的崎岖度度量、中性度量 M1 和 M2、基于支配关系和指标的多目标度量、基于变量变异对适应度影响的非线性变量重要性度量，以及捕捉变量交互的特征。

演示本身也有边界：pyXla 在一组有约束或无约束、单目标或多目标的连续与离散优化问题上得到验证，可解释输出则展示在具有多样景观特征的手工构造问题上。作者指出的未来工作是使用 pyXla 分析整个问题套件和真实世界问题。因此，所报告的特征值说明的是工具箱在设计示例上能产出什么，而不是这些特征在完整基准套件上的表现。

把特征与其背后的输入和样本对应起来

论文的实践优先级来自其设计：在解读任何 pyXla 特征值之前，先确认当时有哪些输入成分，因为可用特征集由 X、F、V、D、N 和 I 的组合决定。需要邻域信息的特征无法仅凭目标值样本读出，而且该框架不会在用户样本预算之外进行额外评估。

第二项检查是样本本身。景观特征相对于所提供的样本，论文指出不同采样算法会对同一问题实例给出不同视角。第三项检查是度量的分母或聚合层级：NRC 系数按秩类型分别报告，NCF 比例按单个约束和合并分别报告。因此，阅读这篇论文最有用的方式不是记住某个头条数字，而是把特征与产生它的输入、采样器和聚合层级对应起来。

本文引用的文献