연속적인 블랙박스 문제에 가장 적합한 고전적 최적화기는 그 예산(budget)과 지형(landscape)에 따라 달라집니다. 기존의 라우터들은 차원(dimension)과 예산, 과거 개선 사항 또는 특정 벤치마크에 맞춰진 특징들로부터 결정하며, 실제로 온라인상에서 최적화기의 내재된 가정을 테스트하는 경우는 거의 없습니다. AMM (Adaptive Multi Mode)은 곡률(curvature), 평지(plateaus), 분리 가능성(separability), 꺾임점(kinks), 분지(basins), 프랙탈 구조에 대한 온라인 탐사(online probes)를 통해 알려진 예산을 준-뉴턴(quasi-Newton), 신뢰 영역(trust-region), 좌표(coordinate), 다중 시작(multistart), 진화 전략(evolution-strategy) 최적화 엔진들 사이에서 라우팅합니다. 각 탐사는 기본값, 차원별/예산별 유효 범위, 그리고 예산에 부과되는 비용을 가집니다. bbob에서 사전 등록된 개발 루프를 거치면서, AMM은 지난 16회의 확인 과정 중 36개 예측 중 32개를 유지했습니다. 이후 AMM은 최대 7개의 경쟁 알고리즘들과 비교하여 홀드아웃(held-out)된 bbob 인스턴스 101~110 (D=2-40, 10D-1000D)에서 한 번 테스트되었습니다. 이 알고리즘은 총 600개의 함수-차원-예산 셀 중 382개(직접적 우위 236개, 동률 146개)에서 가장 높은 목표 점유율을 보였으며, 기술적인 사후 확률 규칙에 따라 35개(주로 10D 및 30D 지점)에서 신뢰할 수 있는 뒤처짐을 보였습니다. 모든 예산 수준에서 자체 엔진들로부터 구축된 제어군(최고의 단일 엔진, 차원별/예산별 최고의 엔진, 그리디 스케줄)보다 우위를 점하며, 10D와 30D 지점에서 근소하게 앞섰으며, nevergrad의 NgIohTuned보다도 나았습니다. 사전 등록된 실행에서 AMM은 아핀(affine) 및 박스 변환(box transformations), 박스 제약 조건이 있는 bbob, 그리고 통합된 회전 f2-f4에 걸쳐 IPOP-CMA-ES 대비 우위를 유지했지만, 분리 가능한 f3와 f4를 회전시키자 그곳에서의 대부분의 우위는 사라졌습니다. 홀드아웃된 MA-BBOB에서는 2000*D 지점에서의 최종 점유율이 IPOP-CMA-ES와 동등하며, anytime 영역은 더 낮았습니다. 저희는 AMM을 오픈 소스 Python 패키지(pip install amm-optimizer; https://github.com/BjBodner/amm-optimizer)로 공개했습니다.