論文の概要: Surrogate Assisted Evolutionary Algorithm for Medium Scale Expensive
Multi-Objective Optimisation Problems
- arxiv url: http://arxiv.org/abs/2002.03150v1
- Date: Sat, 8 Feb 2020 12:06:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 22:39:22.437490
- Title: Surrogate Assisted Evolutionary Algorithm for Medium Scale Expensive
Multi-Objective Optimisation Problems
- Title（参考訳）: 中規模高コスト多目的最適化問題に対するsurrogate assisted evolutionary algorithm
- Authors: Xiaoran Ruan, Ke Li, Bilel Derbel, Arnaud Liefooghe
- Abstract要約: 目的関数の代理モデルを構築することは、進化アルゴリズム(EA)が現実世界の複雑な最適化問題を解決するのに効果的であることが示されている。
本稿では,50個の決定変数を持つ中規模の高コスト多目的最適化問題に対して,ガウス過程サロゲートモデルによるEA支援手法を提案する。
提案アルゴリズムの有効性を,3つの最先端SAEAと比較し,10,20,50変数のベンチマーク問題に対して検証した。
- 参考スコア（独自算出の注目度）: 4.338938227238059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building a surrogate model of an objective function has shown to be effective
to assist evolutionary algorithms (EAs) to solve real-world complex
optimisation problems which involve either computationally expensive numerical
simulations or costly physical experiments. However, their effectiveness mostly
focuses on small-scale problems with less than 10 decision variables. The
scalability of surrogate assisted EAs (SAEAs) have not been well studied yet.
In this paper, we propose a Gaussian process surrogate model assisted EA for
medium-scale expensive multi-objective optimisation problems with up to 50
decision variables. There are three distinctive features of our proposed SAEA.
First, instead of using all decision variables in surrogate model building, we
only use those correlated ones to build the surrogate model for each objective
function. Second, rather than directly optimising the surrogate objective
functions, the original multi-objective optimisation problem is transformed to
a new one based on the surrogate models. Last but not the least, a subset
selection method is developed to choose a couple of promising candidate
solutions for actual objective function evaluations thus to update the training
dataset. The effectiveness of our proposed algorithm is validated on benchmark
problems with 10, 20, 50 variables, comparing with three state-of-the-art
SAEAs.
- Abstract（参考訳）: 目的関数の代理モデルを構築することは、計算コストのかかる数値シミュレーションや高価な物理実験を含む実世界の複雑な最適化問題を解くために進化アルゴリズム(EA)を支援するのに効果的であることが示されている。
しかし、その効果は主に10未満の小さな問題に焦点を当てている。
surrogate assisted eas (saeas) のスケーラビリティはまだ十分に研究されていない。
本稿では,最大50個の決定変数を持つ中規模の高コスト多目的最適化問題に対するガウス過程サロゲートモデルを提案する。
提案したSAEAには3つの特徴がある。
まず、surrogateモデル構築ですべての決定変数を使用する代わりに、それらの関連付けられた変数のみを使用して、それぞれのobjective関数に対してsurrogateモデルを構築します。
第二に、代理対象関数を直接最適化するのではなく、元の多目的最適化問題は、代理モデルに基づく新しいものへと変換される。
最後に、トレーニングデータセットを更新するために、実際の目的関数評価のための2つの候補ソリューションを選択するために、サブセット選択法を開発した。
提案アルゴリズムの有効性は10,20,50変数のベンチマーク問題で検証され,3つの最先端saeと比較した。
関連論文リスト
- Autoformulation of Mathematical Optimization Models Using LLMs [50.030647274271516]
商用問題解決者のための自然言語記述から最適化モデルを作成するための自動アプローチを開発する。
本稿では,(1)問題依存仮説空間の定義,(2)不確実性の下でこの空間を効率的に探索すること,(3)定式化の正しさを評価すること,の3つの課題を同定する。
論文 参考訳（メタデータ） (2024-11-03T20:41:38Z) - A First Look at Kolmogorov-Arnold Networks in Surrogate-assisted Evolutionary Algorithms [5.198324938447394]
サロゲート支援進化アルゴリズム(SAEA)は高価な問題を解決するための重要な手法である。
本稿では,SAEA内の代理モデルとしてKAN(Kolmogorov-Arnold Networks)を紹介する。
KansはSAEA内での賞賛可能なパフォーマンスを示し、関数呼び出しの数を効果的に減らし、最適化効率を向上する。
論文 参考訳（メタデータ） (2024-05-26T09:12:44Z) - Enhancing SAEAs with Unevaluated Solutions: A Case Study of Relation
Model for Expensive Optimization [6.382398222493027]
本稿では,SAEAの効率を高めるために,未評価解を用いた枠組みを提案する。
代理モデルを用いて、評価無しに新しい解を直接生成するための高品質な解を同定する。
論文 参考訳（メタデータ） (2023-09-21T12:09:55Z) - Multi-surrogate Assisted Efficient Global Optimization for Discrete
Problems [0.9127162004615265]
本稿では、離散的な問題を解くために、複数のシミュレーションベースの代理モデルの同時利用の可能性について検討する。
以上の結果から,SAMA-DiEGOはテスト問題の大部分において,より優れた解に迅速に収束できることが示唆された。
論文 参考訳（メタデータ） (2022-12-13T09:10:08Z) - Dynamic Multi-objective Ensemble of Acquisition Functions in Batch
Bayesian Optimization [1.1602089225841632]
獲得関数は最適化プロセスにおいて重要な役割を果たす。
3つの取得関数は、その現在のパフォーマンスと過去のパフォーマンスに基づいて、セットから動的に選択される。
進化的多目的アルゴリズムを用いて、そのようなMOPを最適化し、非支配的な解の集合を得ることができる。
論文 参考訳（メタデータ） (2022-06-22T14:09:18Z) - Towards Explainable Metaheuristic: Mining Surrogate Fitness Models for
Importance of Variables [69.02115180674885]
4つのベンチマーク問題を用いて代理モデルを訓練し、代理モデルによる探索空間の学習について検討する。
代々の人口データに基づいて学習した結果,サロゲートモデルが問題の鍵となる特徴を抽出できることが示唆された。
論文 参考訳（メタデータ） (2022-05-31T09:16:18Z) - Data-Driven Evolutionary Multi-Objective Optimization Based on
Multiple-Gradient Descent for Disconnected Pareto Fronts [6.560512252982714]
本稿では,データ駆動型進化的多目的最適化(EMO)アルゴリズムを提案する。
そのインフィル基準は、高価な客観的関数評価を行うための、有望な候補ソリューションのバッチを推奨している。
論文 参考訳（メタデータ） (2022-05-28T06:01:41Z) - RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。
この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。
ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
論文 参考訳（メタデータ） (2021-10-27T05:37:12Z) - Conservative Objective Models for Effective Offline Model-Based
Optimization [78.19085445065845]
計算設計の問題は、合成生物学からコンピュータアーキテクチャまで、様々な場面で発生している。
本研究では,分布外入力に対する接地的目標の実際の値を低くする目的関数のモデルを学習する手法を提案する。
COMは、様々なMBO問題に対して、既存のメソッドの実装と性能の面では単純である。
論文 参考訳（メタデータ） (2021-07-14T17:55:28Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳（メタデータ） (2021-03-18T14:26:26Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z)
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。