論文の概要: Multifactorial Cellular Genetic Algorithm (MFCGA): Algorithmic Design,
Performance Comparison and Genetic Transferability Analysis
- arxiv url: http://arxiv.org/abs/2003.10768v1
- Date: Tue, 24 Mar 2020 11:03:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-12-20 08:04:16.651008
- Title: Multifactorial Cellular Genetic Algorithm (MFCGA): Algorithmic Design,
Performance Comparison and Genetic Transferability Analysis
- Title（参考訳）: 多因子細胞遺伝アルゴリズム(mfcga) : アルゴリズム設計、性能比較、遺伝子導入可能性解析
- Authors: Eneko Osaba, Aritz D. Martinez, Jesus L. Lobo, Javier Del Ser and
Francisco Herrera
- Abstract要約: 多目的最適化は先進的な研究領域であり、近年顕著な研究の勢いを増している。
本稿では,多因子最適化シナリオのための新しいアルゴリズムスキームを提案する。
提案したMFCGAはセルオートマタの概念に基づいて,問題間の知識交換機構を実装している。
- 参考スコア（独自算出の注目度）: 17.120962133525225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multitasking optimization is an incipient research area which is lately
gaining a notable research momentum. Unlike traditional optimization paradigm
that focuses on solving a single task at a time, multitasking addresses how
multiple optimization problems can be tackled simultaneously by performing a
single search process. The main objective to achieve this goal efficiently is
to exploit synergies between the problems (tasks) to be optimized, helping each
other via knowledge transfer (thereby being referred to as Transfer
Optimization). Furthermore, the equally recent concept of Evolutionary
Multitasking (EM) refers to multitasking environments adopting concepts from
Evolutionary Computation as their inspiration for the simultaneous solving of
the problems under consideration. As such, EM approaches such as the
Multifactorial Evolutionary Algorithm (MFEA) has shown a remarkable success
when dealing with multiple discrete, continuous, single-, and/or
multi-objective optimization problems. In this work we propose a novel
algorithmic scheme for Multifactorial Optimization scenarios - the
Multifactorial Cellular Genetic Algorithm (MFCGA) - that hinges on concepts
from Cellular Automata to implement mechanisms for exchanging knowledge among
problems. We conduct an extensive performance analysis of the proposed MFCGA
and compare it to the canonical MFEA under the same algorithmic conditions and
over 15 different multitasking setups (encompassing different reference
instances of the discrete Traveling Salesman Problem). A further contribution
of this analysis beyond performance benchmarking is a quantitative examination
of the genetic transferability among the problem instances, eliciting an
empirical demonstration of the synergies emerged between the different
optimization tasks along the MFCGA search process.
- Abstract（参考訳）: マルチタスク最適化は先進的な研究領域であり、近年顕著な研究の勢いを増している。
一つのタスクを一度に解くことに焦点を当てた従来の最適化パラダイムとは異なり、マルチタスクは単一の探索プロセスを実行することで複数の最適化問題を同時に処理する方法に対処する。
この目標を効率的に達成する主な目的は、最適化すべき問題(タスク)間の相乗効果を利用して、知識伝達を通じてお互いを助けることである。
さらに、進化的マルチタスク(EM)の概念は進化的計算の概念を取り入れたマルチタスク環境を、検討中の問題の同時解決のインスピレーションとしている。
このようにして、MFEA(Multifactorial Evolutionary Algorithm)のようなEMアプローチは、複数の離散的、連続的、単一、および/または多目的最適化問題を扱う際に顕著な成功を収めている。
本研究では, セル・オートマトンの概念に重きを置き, 問題間の知識交換機構を実装する多元的最適化シナリオのための新しいアルゴリズムスキームである多元的セル・遺伝的アルゴリズム(mfcga)を提案する。
我々は提案したMFCGAの広範な性能解析を行い、同じアルゴリズム条件下での標準MFEAと15以上の異なるマルチタスク設定(離散トラベリングセールスマン問題における異なる参照インスタンスを経由する)を比較した。
この分析のさらなる貢献は、MFCGA探索プロセスに沿って異なる最適化タスクの間に出現した相乗効果を実証的に示すことによって、問題インスタンス間の遺伝子導入可能性の定量的な検証である。
関連論文リスト
- Towards Multi-Objective High-Dimensional Feature Selection via
Evolutionary Multitasking [63.91518180604101]
本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。
タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
論文 参考訳（メタデータ） (2024-01-03T06:34:39Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - 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) - A survey on multi-objective hyperparameter optimization algorithms for
Machine Learning [62.997667081978825]
本稿では,多目的HPOアルゴリズムに関する2014年から2020年にかけての文献を体系的に調査する。
メタヒューリスティック・ベース・アルゴリズムとメタモデル・ベース・アルゴリズム,および両者を混合したアプローチを区別する。
また,多目的HPO法と今後の研究方向性を比較するための品質指標についても論じる。
論文 参考訳（メタデータ） (2021-11-23T10:22:30Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - AT-MFCGA: An Adaptive Transfer-guided Multifactorial Cellular Genetic
Algorithm for Evolutionary Multitasking [17.120962133525225]
本稿では,進化的マルチタスク環境を扱うための適応メタヒューリスティックアルゴリズムを提案する。
AT-MFCGAはセルラーオートマトンを利用して、検討中の最適化問題の知識を交換する機構を実装している。
論文 参考訳（メタデータ） (2020-10-08T12:00:10Z) - On the Transferability of Knowledge among Vehicle Routing Problems by
using Cellular Evolutionary Multitasking [6.943742860591444]
この研究は、最近提案されたMFCGA(Multifactorial Cellular Genetic Algorithm)のキャパシタントカールーティング問題(CVRP)への適用に焦点を当てている。
この研究の貢献は2つあるが、一方、MFCGAの自動車ルーティング問題ファミリーへの最初の応用である。他方、問題インスタンス間の正の遺伝伝達可能性の定量的解析に焦点をあてた第2の貢献は、同様に興味深い。
論文 参考訳（メタデータ） (2020-05-11T12:58:00Z) - dMFEA-II: An Adaptive Multifactorial Evolutionary Algorithm for
Permutation-based Discrete Optimization Problems [6.943742860591444]
本稿では、最近導入されたMFEA-II(Multifactorial Evolutionary Algorithm II)を、置換に基づく離散環境に適用する。
提案手法の性能を5種類のマルチタスク設定で評価した。
論文 参考訳（メタデータ） (2020-04-14T14:42:47Z) - COEBA: A Coevolutionary Bat Algorithm for Discrete Evolutionary
Multitasking [9.54239662772307]
マルチタスク環境を扱うための新しいアルゴリズムスキームを提案する。
提案手法はCoevolutionary Bat Algorithmと呼ばれ、共進化的戦略とメタヒューリスティックなBat Algorithmの両方から着想を得た。
論文 参考訳（メタデータ） (2020-03-24T13:37:43Z) - Pareto Multi-Task Learning [53.90732663046125]
マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。
異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。
近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
論文 参考訳（メタデータ） (2019-12-30T08:58:40Z)
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。