論文の概要: Frequency Fitness Assignment: Making Optimization Algorithms Invariant
under Bijective Transformations of the Objective Function Value
- arxiv url: http://arxiv.org/abs/2001.01416v5
- Date: Thu, 15 Oct 2020 22:45:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-14 02:01:34.689419
- Title: Frequency Fitness Assignment: Making Optimization Algorithms Invariant
under Bijective Transformations of the Objective Function Value
- Title（参考訳）: 周波数適合性割当:目的関数値の単射変換下で不変な最適化アルゴリズムを作る
- Authors: Thomas Weise and Zhize Wu and Xinlu Li and Yan Chen
- Abstract要約: 周波数適合度割り当て(FFA)では、目標値に対応する適合度は、適合度割り当てステップにおける出現頻度である。
FFAは,求人スケジューリングのためのメメティックアルゴリズムの性能を向上させることができることを示す。
- 参考スコア（独自算出の注目度）: 4.172616083991553
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Under Frequency Fitness Assignment (FFA), the fitness corresponding to an
objective value is its encounter frequency in fitness assignment steps and is
subject to minimization. FFA renders optimization processes invariant under
bijective transformations of the objective function value. On TwoMax, Jump, and
Trap functions of dimension s, the classical (1+1)-EA with standard mutation at
rate 1/s can have expected runtimes exponential in s. In our experiments, a
(1+1)-FEA, the same algorithm but using FFA, exhibits mean runtimes that seem
to scale as $s^2\ln{s}$. Since Jump and Trap are bijective transformations of
OneMax, it behaves identical on all three. On OneMax, LeadingOnes, and Plateau
problems, it seems to be slower than the (1+1)-EA by a factor linear in s. The
(1+1)-FEA performs much better than the (1+1)-EA on W-Model and MaxSat
instances. We further verify the bijection invariance by applying the Md5
checksum computation as transformation to some of the above problems and yield
the same behaviors. Finally, we show that FFA can improve the performance of a
memetic algorithm for job shop scheduling.
- Abstract（参考訳）: 周波数適合度割り当て(FFA)では、目標値に対応する適合度は、フィットネス割り当てステップにおける遭遇頻度であり、最小化される。
FFAは目的関数値の単射変換の下で最適化過程を不変にする。
次元 s の TwoMax, Jump, Trap 関数では、1/s で標準突然変異を持つ古典的な (1+1)-EA は s で指数関数的に実行可能となる。
我々の実験では、(1+1)-FEAは、同じアルゴリズムであるが、FFAを用いており、平均ランタイムは$s^2\ln{s}$とスケールしている。
Jump と Trap は OneMax の単射変換であるため、3つすべてで同一の振る舞いをする。
OneMax、LeadingOnes、およびPlatauの問題では、s の係数が (1+1)-EA よりも遅いようである。
1+1)-FEAは、W-ModelインスタンスやMaxSatインスタンスの(1+1)-EAよりもはるかにパフォーマンスがよい。
さらに、Md5チェックサム計算を上記の問題への変換として適用することにより、ビジェクション不変性を検証し、同じ挙動を与える。
最後に,ffaがジョブショップスケジューリングのためのmemeticアルゴリズムの性能を向上させることを示す。
関連論文リスト
- Hardest Monotone Functions for Evolutionary Algorithms [0.0]
自己調整する$(1,lambda)$-EAに対して、Adrial Dynamic BinVal (ADBV) は最適化する最も難しい動的単調関数である。
本稿では,探索点内の残零点数が$n/2$未満である場合に,ADBVと一致する関数スイッチング動的ビンVal(SDBV)を導入する。
論文 参考訳（メタデータ） (2023-11-13T16:13:30Z) - ELRA: Exponential learning rate adaption gradient descent optimization
method [83.88591755871734]
我々は, 高速(指数率), ab initio(超自由)勾配に基づく適応法を提案する。
本手法の主な考え方は,状況認識による$alphaの適応である。
これは任意の次元 n の問題に適用でき、線型にしかスケールできない。
論文 参考訳（メタデータ） (2023-09-12T14:36:13Z) - Improved Convergence Rate of Stochastic Gradient Langevin Dynamics with
Variance Reduction and its Application to Optimization [50.83356836818667]
勾配ランゲヴィン・ダイナミクスは非エプス最適化問題を解くための最も基本的なアルゴリズムの1つである。
本稿では、このタイプの2つの変種、すなわち、分散還元ランジュバンダイナミクスと再帰勾配ランジュバンダイナミクスを示す。
論文 参考訳（メタデータ） (2022-03-30T11:39:00Z) - Frequency Fitness Assignment: Optimization without a Bias for Good
Solutions can be Efficient [4.642892880059577]
周波数適合度アサインメントは、より良いソリューションに偏りのないアルゴリズムを生成する。
1つのFFAベースのアルゴリズムは、すべての理論ベースのベンチマーク問題を経験的に解くことができる。
すべてのFFAベースのアルゴリズムは、全ての純粋なアルゴリズムの変種よりも満足度の問題に優れる。
論文 参考訳（メタデータ） (2021-12-01T02:04:40Z) - Two-phase Optimization of Binary Sequences with Low Peak Sidelobe Level
Value [1.5990720051907859]
2つのフィットネス関数は、ピークサイドローブレベルが低いシーケンスを見つけるために使用される。
提案アルゴリズムは長さ$L = 2m - 1$,$14 lem le 20$で試験された。
論文 参考訳（メタデータ） (2021-06-30T13:59:55Z) - A Momentum-Assisted Single-Timescale Stochastic Approximation Algorithm
for Bilevel Optimization [112.59170319105971]
問題に対処するための新しいアルゴリズム - Momentum- Single-timescale Approximation (MSTSA) を提案する。
MSTSAでは、低いレベルのサブプロブレムに対する不正確な解決策のため、反復でエラーを制御することができます。
論文 参考訳（メタデータ） (2021-02-15T07:10:33Z) - Hybrid Trilinear and Bilinear Programming for Aligning Partially
Overlapping Point Sets [85.71360365315128]
多くの応用において、部分重なり合う点集合が対応するRPMアルゴリズムに不変であるようなアルゴリズムが必要である。
まず、目的が立方体有界関数であることを示し、次に、三線型および双線型単相変換の凸エンベロープを用いて、その下界を導出する。
次に、変換変数上の分岐のみを効率よく実行するブランチ・アンド・バウンド(BnB)アルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-01-19T04:24:23Z) - Runtime analysis of the (mu+1)-EA on the Dynamic BinVal function [0.0]
進化的アルゴリズムを動的に研究し、各世代ごとに異なる適合関数が選択される。
特に、最適化の最も難しい領域は最適化の周辺ではない。
論文 参考訳（メタデータ） (2020-10-26T08:55:53Z) - A Two-Timescale Framework for Bilevel Optimization: Complexity Analysis
and Application to Actor-Critic [142.1492359556374]
双レベル最適化は、2レベル構造を示す問題のクラスである。
このような二段階問題に対処するための2段階近似(TTSA)アルゴリズムを提案する。
本稿では,TTSAフレームワークの特殊な事例として,2段階の自然なアクター・クリティカルポリシー最適化アルゴリズムが有用であることを示す。
論文 参考訳（メタデータ） (2020-07-10T05:20:02Z) - Aligning Partially Overlapping Point Sets: an Inner Approximation
Algorithm [80.15123031136564]
変換の値に関する事前情報がない点集合を整列するロバストな手法を提案する。
我々のアルゴリズムは変換の正規化を必要とせず、変換の値に関する事前情報がない状況に対処できる。
実験により,提案手法が最先端のアルゴリズムよりも高いロバスト性を示した。
論文 参考訳（メタデータ） (2020-07-05T15:23:33Z) - Fast Mutation in Crossover-based Algorithms [8.34061303235504]
Doerr、Le、Makhmara、Nguyen(GECCO)で提案された重尾突然変異演算子
Doerr、Le、Makhmara、Nguyen(GECCO)で提案された重尾突然変異演算子
実験的な研究は、ランダムに満足できるMax-3SATインスタンスにも高速突然変異の有効性を示す。
論文 参考訳（メタデータ） (2020-04-14T14:16:42Z)
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。