論文の概要: An Eigenspace Divide-and-Conquer Approach for Large-Scale Optimization

• arxiv url: http://arxiv.org/abs/2004.02115v1
• Date: Sun, 5 Apr 2020 07:29:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 12:16:59.788488
• Title: An Eigenspace Divide-and-Conquer Approach for Large-Scale Optimization
• Title（参考訳）: 大規模最適化のための固有空間分割法
• Authors: Zhigang Ren, Yongsheng Liang, Muyi Wang, Yang Yang, An Chen
• Abstract要約: ディバイド・アンド・コンカー(DC)の進化的アルゴリズムは、大規模な最適化問題に対処する上で顕著な成功を収めた。 本研究では,固有空間分割・コンカレント(EDC)手法を提案する。
• 参考スコア（独自算出の注目度）: 9.501723707464432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Divide-and-conquer-based (DC-based) evolutionary algorithms (EAs) have achieved notable success in dealing with large-scale optimization problems (LSOPs). However, the appealing performance of this type of algorithms generally requires a high-precision decomposition of the optimization problem, which is still a challenging task for existing decomposition methods. This study attempts to address the above issue from a different perspective and proposes an eigenspace divide-and-conquer (EDC) approach. Different from existing DC-based algorithms that perform decomposition and optimization in the original decision space, EDC first establishes an eigenspace by conducting singular value decomposition on a set of high-quality solutions selected from recent generations. Then it transforms the optimization problem into the eigenspace, and thus significantly weakens the dependencies among the corresponding eigenvariables. Accordingly, these eigenvariables can be efficiently grouped by a simple random strategy and each of the resulting subproblems can be addressed more easily by a traditional EA. To verify the efficiency of EDC, comprehensive experimental studies were conducted on two sets of benchmark functions. Experimental results indicate that EDC is robust to its parameters and has good scalability to the problem dimension. The comparison with several state-of-the-art algorithms further confirms that EDC is pretty competitive and performs better on complicated LSOPs.
• Abstract（参考訳）: 分割型(DCベース)進化アルゴリズム(EA)は大規模な最適化問題(LSOP)に対処する上で大きな成功を収めている。 しかし、この種のアルゴリズムの魅力ある性能は一般に最適化問題の高精度な分解を必要とするため、既存の分解法では依然として難しい課題である。 本研究は, 上記の問題に対して異なる視点から対処し, 固有空間分割(EDC)アプローチを提案する。 元の決定空間における分解と最適化を行う既存のDCベースのアルゴリズムとは異なり、EDCはまず、最近の世代から選択された高品質な解の集合に対して特異値分解を行うことにより固有空間を確立する。 そして、最適化問題を固有空間に変換し、対応する固有変数間の依存関係を著しく弱める。 したがって、これらの固有変数は単純なランダム戦略によって効率的にグループ化することができ、結果として得られる各サブプロブレムは伝統的なEAによってより容易に対処できる。 EDCの効率を検証するため,2種類のベンチマーク関数について総合的な実験を行った。 実験結果から,EDCはそのパラメータに対して堅牢であり,問題次元に優れたスケーラビリティを有することが示された。 いくつかの最先端アルゴリズムとの比較により、EDCがかなり競争力があり、複雑なLSOPでより優れた性能を発揮することが確認される。

関連論文リスト

• Learning Adaptive Evolutionary Computation for Solving Multi-Objective Optimization Problems [3.3266268089678257]
  本稿では, 深層強化学習(DRL)を用いた適応パラメータ制御とMOEAを統合したフレームワークを提案する。 DRLポリシは、最適化中のソリューションに対する突然変異の強度と確率を決定する値を適応的に設定するように訓練されている。 学習されたポリシーは転送可能であることを示す。つまり、単純なベンチマーク問題で訓練されたポリシーは、複雑な倉庫最適化問題を解決するために直接適用可能である。
  論文  参考訳（メタデータ） (2022-11-01T22:08:34Z)
• DIMES: A Differentiable Meta Solver for Combinatorial Optimization Problems [41.57773395100222]
  深部強化学習(DRL)モデルはNP-hard Combinatorial Optimization問題を解決する上で有望な結果を示している。 本稿では,DIMESという新しいアプローチを提案することによって,大規模最適化におけるスケーラビリティの課題に対処する。 コストのかかる自己回帰的復号法や離散解の反復的洗練に苦しむ従来のDRL法とは異なり、DIMESは候補解の基底分布をパラメータ化するためのコンパクトな連続空間を導入する。 DIMESは、トラベリングセールスマン問題や最大独立セット問題のための大規模なベンチマークデータセットにおいて、最近のDRLベースの手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-08T23:24:37Z)
• Exploring the Algorithm-Dependent Generalization of AUPRC Optimization with List Stability [107.65337427333064]
  AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。 本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。 3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
  論文  参考訳（メタデータ） (2022-09-27T09:06:37Z)
• Best Subset Selection with Efficient Primal-Dual Algorithm [24.568094642425837]
  多くの学習問題に対するベストサブセット選択は「ゴールドスタンダード」と見なされている。 本稿では,$ell$-regularized問題系の二重形式について検討する。 主問題構造と双対問題構造に基づく効率的な主対法が開発されている。
  論文  参考訳（メタデータ） (2022-07-05T14:07:52Z)
• Solving Large-Scale Multi-Objective Optimization via Probabilistic Prediction Model [10.916384208006157]
  効率的なLSMOPアルゴリズムは、巨大な検索空間から局所最適解を逃れる能力を持つべきである。 人口の多様性を維持することは、探索効率を向上させる効果的な方法の1つである。 LSMOP に取り組むために,トレンド予測モデルと LT-PPM と呼ばれる生成フィルタ戦略に基づく確率的予測モデルを提案する。
  論文  参考訳（メタデータ） (2021-07-16T09:43:35Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• Automatic selection of basis-adaptive sparse polynomial chaos expansions for engineering applications [0.0]
  スパースカオス展開のための3つの最新技術に基づく基礎適応的アプローチについて述べる。 我々は,大規模な計算モデルに対して,大域的近似精度の観点から広範なベンチマークを行う。 クロスバリデーションエラーによって導かれる新しい解法と基底適応性選択スキームを導入する。
  論文  参考訳（メタデータ） (2020-09-10T12:13:57Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• 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)
• Bilevel Optimization for Differentially Private Optimization in Energy Systems [53.806512366696275]
  本稿では,入力に敏感な制約付き最適化問題に対して,差分プライバシーを適用する方法について検討する。 本稿は, 自然仮定の下では, 大規模非線形最適化問題に対して, 双レベルモデルを効率的に解けることを示す。
  論文  参考訳（メタデータ） (2020-01-26T20:15:28Z)

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。