論文の概要: Effects of Discretization of Decision and Objective Spaces on the
Performance of Evolutionary Multiobjective Optimization Algorithms
- arxiv url: http://arxiv.org/abs/2003.09917v1
- Date: Sun, 22 Mar 2020 15:07:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 05:26:30.649805
- Title: Effects of Discretization of Decision and Objective Spaces on the
Performance of Evolutionary Multiobjective Optimization Algorithms
- Title（参考訳）: 進化的多目的最適化アルゴリズムの性能に及ぼす決定と目的空間の離散化の影響
- Authors: Weiyu Chen, Hisao Ishibuchi, Ke Shang
- Abstract要約: 決定空間の離散化は大規模問題にプラス効果を示し、目的空間の離散化は多目的問題にプラス効果を示す。
また、両空間の離散化は大規模多目的問題に有用であることを示す。
- 参考スコア（独自算出の注目度）: 12.487285663072512
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, the discretization of decision and objective spaces has been
discussed in the literature. In some studies, it is shown that the decision
space discretization improves the performance of evolutionary multi-objective
optimization (EMO) algorithms on continuous multi-objective test problems. In
other studies, it is shown that the objective space discretization improves the
performance on combinatorial multi-objective problems. However, the effect of
the simultaneous discretization of both spaces has not been examined in the
literature. In this paper, we examine the effects of the decision space
discretization, objective space discretization and simultaneous discretization
on the performance of NSGA-II through computational experiments on the DTLZ and
WFG problems. Using various settings about the number of decision variables and
the number of objectives, our experiments are performed on four types of
problems: standard problems, large-scale problems, many-objective problems, and
large-scale many-objective problems. We show that the decision space
discretization has a positive effect for large-scale problems and the objective
space discretization has a positive effect for many-objective problems. We also
show the discretization of both spaces is useful for large-scale many-objective
problems.
- Abstract（参考訳）: 近年,意思決定と客観的空間の離散化が文献で議論されている。
いくつかの研究では、決定空間の離散化は、連続多目的テスト問題に対する進化的多目的最適化(EMO)アルゴリズムの性能を向上させることが示されている。
他の研究では、目的空間の離散化が組合せ多目的問題の性能を向上させることが示されている。
しかし,両空間の同時離散化の効果は文献で検討されていない。
本稿では,DTLZおよびWFG問題に対する計算実験を通じて,決定空間の離散化,目的空間の離散化,同時離散化がNSGA-IIの性能に及ぼす影響について検討する。
決定変数の数と目的数に関する様々な設定を用いて,本実験は,標準問題,大規模問題,多目的問題,大規模多目的問題という4種類の問題に対して実施する。
決定空間の離散化は大規模問題にプラス効果を示し、目的空間の離散化は多目的問題にプラス効果を示す。
また、両空間の離散化は大規模多目的問題に有用であることを示す。
関連論文リスト
- Maintaining Diversity Provably Helps in Evolutionary Multimodal Optimization [20.621635722585502]
解空間における解の多様性を考慮に入れた簡単な方法が進化的アルゴリズム(EA)の探索に有効であることを示す。
提案手法は,クロスオーバーで作業することで探索の促進に寄与し,予測走行時間において,マルチモーダルあるいは指数加速度がもたらされることを実証する。
論文 参考訳（メタデータ） (2024-06-04T17:52:14Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-05-01T09:34:42Z) - Achieving Diversity in Objective Space for Sample-efficient Search of
Multiobjective Optimization Problems [4.732915763557618]
本稿では,LMS 取得機能を導入し,その挙動と特性を解析し,その実現可能性を示す。
この手法は、意思決定者に対して、将来性のある設計決定の堅牢なプールを提供し、優れたソリューションの空間をよりよく理解するのに役立つ。
論文 参考訳（メタデータ） (2023-06-23T20:42:22Z) - Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。
薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。
GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文 参考訳（メタデータ） (2022-10-23T16:15:36Z) - Continuous-time Analysis for Variational Inequalities: An Overview and
Desiderata [87.77379512999818]
広義のVI問題クラスを対象とする手法の分析と設計における連続時間視点の利用の最近の進歩について概説する。
本発表では, 単目的問題と多目的問題とを対比し, 後者の課題を浮き彫りにした。
また、一般の VI に適用可能なアルゴリズムに対して様々なデシダラタを定式化し、これらのデシダラタを達成することは関連する連続時間力学の理解から利益を得る可能性があると論じる。
論文 参考訳（メタデータ） (2022-07-14T17:58:02Z) - Balancing Exploration and Exploitation for Solving Large-scale
Multiobjective Optimization via Attention Mechanism [18.852491892952514]
注意機構に基づく大規模多目的最適化アルゴリズム(LMOAM)を提案する。
注意機構は、各決定変数に固有の重みを割り当て、LMOAMは、この重みを使って、決定変数レベルからの探索とエクスプロイトのバランスを取る。
論文 参考訳（メタデータ） (2022-05-20T09:45:49Z) - Multi-Objective Constrained Optimization for Energy Applications via
Tree Ensembles [55.23285485923913]
エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。
場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。
本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
論文 参考訳（メタデータ） (2021-11-04T20:18:55Z) - Niching Diversity Estimation for Multi-modal Multi-objective
Optimization [9.584279193016522]
ニッチは進化的多目的最適化において重要かつ広く用いられている手法である。
MMOPでは、対象空間の解は決定空間に複数の逆像を持つことができ、これは等価解と呼ばれる。
MMOPの処理において、標準多様性推定器をより効率的にするために、一般的なニチング機構を提案する。
論文 参考訳（メタデータ） (2021-01-31T05:23:31Z) - Follow the bisector: a simple method for multi-objective optimization [65.83318707752385]
複数の異なる損失を最小化しなければならない最適化問題を考える。
提案手法は、各イテレーションにおける降下方向を計算し、目的関数の相対的減少を等しく保証する。
論文 参考訳（メタデータ） (2020-07-14T09:50:33Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z) - Visualising Evolution History in Multi- and Many-Objective Optimisation [0.9453554184019108]
この研究は、人口の可視化を最適化プロセスの実行と見なしている。
我々は,既存の可視化手法を多目的・多目的問題データに適用した。
このフレームワークが、多目的および多目的のベンチマークテスト問題にどのように有効かを示してきた。
論文 参考訳（メタデータ） (2020-06-22T14:45:03Z)
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。