論文の概要: Opytimizer: A Nature-Inspired Python Optimizer
- arxiv url: http://arxiv.org/abs/1912.13002v2
- Date: Wed, 2 Dec 2020 15:15:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-17 02:15:24.024246
- Title: Opytimizer: A Nature-Inspired Python Optimizer
- Title（参考訳）: Opytimizer: 自然にヒントを得たPythonオプティマイザ
- Authors: Gustavo H. de Rosa, Douglas Rodrigues, Jo\~ao P. Papa
- Abstract要約: 特定の問題を解決するために、実現可能なパラメータのセットを選択することを目的としている。
我々は,Opheurisizer として Opyy として Python ベースのメタヒューリスティック最適化フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimization aims at selecting a feasible set of parameters in an attempt to
solve a particular problem, being applied in a wide range of applications, such
as operations research, machine learning fine-tuning, and control engineering,
among others. Nevertheless, traditional iterative optimization methods use the
evaluation of gradients and Hessians to find their solutions, not being
practical due to their computational burden and when working with non-convex
functions. Recent biological-inspired methods, known as meta-heuristics, have
arisen in an attempt to fulfill these problems. Even though they do not
guarantee to find optimal solutions, they usually find a suitable solution. In
this paper, we proposed a Python-based meta-heuristic optimization framework
denoted as Opytimizer. Several methods and classes are implemented to provide a
user-friendly workspace among diverse meta-heuristics, ranging from
evolutionary- to swarm-based techniques.
- Abstract（参考訳）: 最適化は、特定の問題を解決するために実行可能なパラメータセットを選択することを目的としており、運用研究、機械学習の微調整、制御工学など、幅広いアプリケーションに適用されている。
それにもかかわらず、従来の反復最適化手法は勾配とヘッセン性の評価を用いて解を求めるが、計算負荷や非凸関数を扱う際には実用的ではない。
メタヒューリスティックス(meta-heuristics)として知られる最近の生物学的にインスパイアされた手法は、これらの問題を解決しようとする試みで生じた。
最適な解を見つけることは保証されていないが、通常は適切な解を見つける。
本稿では,Python ベースのメタヒューリスティック最適化フレームワーク Opytimizer を提案する。
いくつかのメソッドやクラスが実装され、進化的からスワムベースの技術まで、様々なメタヒューリスティックな分野のユーザフレンドリーなワークスペースを提供する。
関連論文リスト
- Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-09-07T19:52:14Z) - Stop Relying on No-Choice and Do not Repeat the Moves: Optimal,
Efficient and Practical Algorithms for Assortment Optimization [38.57171985309975]
本研究では,emphPlackett Luce (PL) を用いたコンソーシアム選択問題に対する効率的なアルゴリズムを開発した。
提案手法は,既存の手法の限界を無視し,実用的かつ確実に最適である。
論文 参考訳（メタデータ） (2024-02-29T07:17:04Z) - Predict-Then-Optimize by Proxy: Learning Joint Models of Prediction and
Optimization [59.386153202037086]
Predict-Then-フレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
このアプローチは非効率であり、最適化ステップを通じてバックプロパゲーションのための手作りの、問題固有のルールを必要とする。
本稿では,予測モデルを用いて観測可能な特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2023-11-22T01:32:06Z) - Robust expected improvement for Bayesian optimization [1.8130068086063336]
本稿では,BO/GPフレームワークに敵対的手法を組み込む,堅牢な予測改善(REI)と呼ばれる代理モデルとアクティブラーニング手法を提案する。
ベンチマーク・シンセティック・エクササイズと、様々な複雑さの実際の問題について、いくつかの競合相手と比較し、比較する。
論文 参考訳（メタデータ） (2023-02-16T22:34:28Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Socio-cognitive Optimization of Time-delay Control Problems using
Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。
本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文 参考訳（メタデータ） (2022-10-23T22:21:10Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Meta Learning Black-Box Population-Based Optimizers [0.0]
人口ベースのブラックボックス一般化を推論するメタラーニングの利用を提案する。
メタロス関数は,学習アルゴリズムが検索動作を変更することを促進し,新たなコンテキストに容易に適合できることを示す。
論文 参考訳（メタデータ） (2021-03-05T08:13:25Z) - Particle Swarm Optimization: Fundamental Study and its Application to
Optimization and to Jetty Scheduling Problems [0.0]
従来の手法に関する進化的アルゴリズムの利点は、文献で大いに議論されている。
粒子群はそのような利点を共有しているが、計算コストの低減と実装の容易さが要求されるため、進化的アルゴリズムよりも優れている。
本論文は, それらのチューニングについて検討するものではなく, 従来の研究から汎用的な設定を抽出し, 様々な問題を最適化するために, 事実上同じアルゴリズムを用いている。
論文 参考訳（メタデータ） (2021-01-25T02:06:30Z) - Learning with Differentiable Perturbed Optimizers [54.351317101356614]
本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。
提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。
本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
論文 参考訳（メタデータ） (2020-02-20T11:11:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。