論文の概要: COEBA: A Coevolutionary Bat Algorithm for Discrete Evolutionary
Multitasking
- arxiv url: http://arxiv.org/abs/2003.11628v1
- Date: Tue, 24 Mar 2020 13:37:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 08:03:50.336312
- Title: COEBA: A Coevolutionary Bat Algorithm for Discrete Evolutionary
Multitasking
- Title（参考訳）: COEBA:進化的マルチタスクを離散化する進化的バットアルゴリズム
- Authors: Eneko Osaba, Javier Del Ser, Xin-She Yang, Andres Iglesias and Akemi
Galvez
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.54239662772307
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multitasking optimization is an emerging research field which has attracted
lot of attention in the scientific community. The main purpose of this paradigm
is how to solve multiple optimization problems or tasks simultaneously by
conducting a single search process. The main catalyst for reaching this
objective is to exploit possible synergies and complementarities among the
tasks to be optimized, helping each other by virtue of the transfer of
knowledge among them (thereby being referred to as Transfer Optimization). In
this context, Evolutionary Multitasking addresses Transfer Optimization
problems by resorting to concepts from Evolutionary Computation for
simultaneous solving the tasks at hand. This work contributes to this trend by
proposing a novel algorithmic scheme for dealing with multitasking
environments. The proposed approach, coined as Coevolutionary Bat Algorithm,
finds its inspiration in concepts from both co-evolutionary strategies and the
metaheuristic Bat Algorithm. We compare the performance of our proposed method
with that of its Multifactorial Evolutionary Algorithm counterpart over 15
different multitasking setups, composed by eight reference instances of the
discrete Traveling Salesman Problem. The experimentation and results stemming
therefrom support the main hypothesis of this study: the proposed
Coevolutionary Bat Algorithm is a promising meta-heuristic for solving
Evolutionary Multitasking scenarios.
- Abstract（参考訳）: マルチタスク最適化は、科学コミュニティで多くの注目を集めている新しい研究分野である。
このパラダイムの主な目的は、単一の探索プロセスを実行することで、複数の最適化問題やタスクを同時に解決する方法である。
この目標を達成する主な触媒は、最適化すべきタスクの中で可能なシナジーと相補性を活用し、それらの間の知識の伝達(転送最適化と呼ばれる)によって互いに助け合うことである。
この文脈では、進化的マルチタスクは、手前のタスクを同時に解くために進化的計算の概念に頼って、転送最適化の問題に対処する。
本研究は,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ことで,この傾向に寄与する。
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。
提案手法の性能を, 離散走行セールスマン問題の8つの参照インスタンスから構成した15種類のマルチタスク構成の多因子進化アルゴリズムと比較した。
提案された共進化的バットアルゴリズムは、進化的マルチタスクシナリオを解決するための有望なメタヒューリスティックである。
関連論文リスト
- On the Convergence of Distributed Stochastic Bilevel Optimization
Algorithms over a Network [55.56019538079826]
バイレベル最適化は、幅広い機械学習モデルに適用されている。
既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。
そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-06-30T05:29:52Z) - In Defense of the Unitary Scalarization for Deep Multi-Task Learning [121.76421174107463]
本稿では,多くの特殊マルチタスクを正規化の形式として解釈できることを示唆する理論解析について述べる。
標準正規化と安定化技術と組み合わせると、ユニタリスカラー化は複雑なマルチタスクの性能にマッチし、改善することを示す。
論文 参考訳（メタデータ） (2022-01-11T18:44:17Z) - A Two-stage Framework and Reinforcement Learning-based Optimization
Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。
スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。
その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文 参考訳（メタデータ） (2021-03-10T03:16:12Z) - Evolutionary Multitask Optimization: a Methodological Overview,
Challenges and Future Research Directions [8.14509634354919]
一つ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解くという文脈でマルチタスクを考える。
進化的マルチタスクの新たなパラダイムは、進化的計算から引き出されたインスピレーションの概念を用いて、マルチタスク最適化のシナリオに取り組む。
論文 参考訳（メタデータ） (2021-02-04T11:48:11Z) - Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。
我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。
これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文 参考訳（メタデータ） (2020-10-24T21:35:57Z) - A Coevolutionary Variable Neighborhood Search Algorithm for Discrete
Multitasking (CoVNS): Application to Community Detection over Graphs [8.525387045951776]
本稿では,マルチタスク最適化のシナリオを扱う視点として,進化的マルチタスクに着目した。
本稿では,共進化的近傍探索アルゴリズム(Coevolutionary Variable Neighborhood Search Algorithm)と名づけられた新しいマルチタスク手法を提案する。
本手法により得られた結果は, 並列変数近傍探索と基本変数近傍探索の独立実行とを比較した。
論文 参考訳（メタデータ） (2020-09-30T07:26:43Z) - Small Towers Make Big Differences [59.243296878666285]
マルチタスク学習は、複数の機械学習タスクを同時に解決することを目的としている。
マルチタスク学習問題に対する優れた解法は、Paretoの最適性に加えて一般化可能であるべきである。
本稿では,マルチタスクモデルのためのパラメータ下自己助詞の手法を提案し,両世界のベストを達成した。
論文 参考訳（メタデータ） (2020-08-13T10:45:31Z) - 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) - Multifactorial Cellular Genetic Algorithm (MFCGA): Algorithmic Design,
Performance Comparison and Genetic Transferability Analysis [17.120962133525225]
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。
論文 参考訳（メタデータ） (2020-03-24T11:03:55Z) - 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。