論文の概要: Uncrowded Hypervolume-based Multi-objective Optimization with Gene-pool
Optimal Mixing
- arxiv url: http://arxiv.org/abs/2004.05068v1
- Date: Fri, 10 Apr 2020 15:14:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 20:38:28.898672
- Title: Uncrowded Hypervolume-based Multi-objective Optimization with Gene-pool
Optimal Mixing
- Title（参考訳）: 遺伝子プール最適混合による超体積多目的最適化
- Authors: S. C. Maree and T. Alderliesten and P. A. N. Bosman
- Abstract要約: HypervolumeベースのMO最適化は、これを克服する有望な結果を示している。
Sofomoreフレームワークは、複数のインターリーブされた単一目的の動的問題を解くことでこれを克服する。
我々は,MO-GOMEAとUHV-GOMEAを併用したハイブリッドアプローチを構築し,両者を比較検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domination-based multi-objective (MO) evolutionary algorithms (EAs) are today
arguably the most frequently used type of MOEA. These methods however stagnate
when the majority of the population becomes non-dominated, preventing
convergence to the Pareto set. Hypervolume-based MO optimization has shown
promising results to overcome this. Direct use of the hypervolume however
results in no selection pressure for dominated solutions. The recently
introduced Sofomore framework overcomes this by solving multiple interleaved
single-objective dynamic problems that iteratively improve a single
approximation set, based on the uncrowded hypervolume improvement (UHVI). It
thereby however loses many advantages of population-based MO optimization, such
as handling multimodality. Here, we reformulate the UHVI as a quality measure
for approximation sets, called the uncrowded hypervolume (UHV), which can be
used to directly solve MO optimization problems with a single-objective
optimizer. We use the state-of-the-art gene-pool optimal mixing evolutionary
algorithm (GOMEA) that is capable of efficiently exploiting the intrinsically
available grey-box properties of this problem. The resulting algorithm,
UHV-GOMEA, is compared to Sofomore equipped with GOMEA, and the
domination-based MO-GOMEA. In doing so, we investigate in which scenarios
either domination-based or hypervolume-based methods are preferred. Finally, we
construct a simple hybrid approach that combines MO-GOMEA with UHV-GOMEA and
outperforms both.
- Abstract（参考訳）: 支配に基づく多目的進化アルゴリズム (MO) は現在最も頻繁に使われているMOEAである。
しかし、人口の大多数が非支配的になるとこれらの方法は停滞し、パレート集合への収束を防いだ。
HypervolumeベースのMO最適化は、これを克服する有望な結果を示している。
しかし、ハイパーボリュームを直接使用しても、支配的な解の選択圧力は生じない。
最近導入されたsofomoreフレームワークは、uncrowded hypervolume improvement(uhvi)に基づいて、単一の近似集合を反復的に改善する複数のインターリーブされた単一目的動的問題を解決することで、これを克服している。
しかし、マルチモーダル処理など、人口ベースのMO最適化の多くの利点を失う。
ここでは,UHVIを,単目的最適化器を用いてMO最適化問題を直接解けるアンクローズドハイパーボリューム (UHV) と呼ばれる近似集合の品質尺度として再構成する。
我々は,本問題の本質的なグレイボックス特性を効率的に活用できる,最先端の遺伝子プール最適混合進化アルゴリズム(gomea)を用いる。
得られたアルゴリズムUHV-GOMEAは、GOMEAと支配ベースのMO-GOMEAを備えたSofomoreと比較される。
そこで本研究では,支配に基づく手法とハイパーボリュームに基づく手法のどちらが望ましいかを検討する。
最後に,mo-gomea と uhv-gomea を結合し,両者を上回るシンプルなハイブリッドアプローチを構築した。
関連論文リスト
- Towards Geometry-Aware Pareto Set Learning for Neural Multi-Objective Combinatorial Optimization [19.631213689157995]
多目的多様性最適化(MOCO)問題は、様々な現実世界の応用で広く用いられている。
既存のほとんどのニューラルMOCO法は、MOCO問題を一連のSinge-Objective diversity enhancement (SOCO)問題に変換するために問題に依存する。
これらの手法はしばしば、不明瞭で時間を要する正確な超体積計算のため、前面の部分領域を近似する。
論文 参考訳（メタデータ） (2024-05-14T13:42:19Z) - UAV-enabled Collaborative Beamforming via Multi-Agent Deep Reinforcement Learning [79.16150966434299]
本稿では,UAVを用いた協調ビームフォーミング多目的最適化問題 (UCBMOP) を定式化し,UAVの伝送速度を最大化し,全UAVのエネルギー消費を最小化する。
ヘテロジニアス・エージェント・信頼領域ポリシー最適化(HATRPO)を基本フレームワークとし,改良されたHATRPOアルゴリズム,すなわちHATRPO-UCBを提案する。
論文 参考訳（メタデータ） (2024-04-11T03:19:22Z) - Combining Kernelized Autoencoding and Centroid Prediction for Dynamic
Multi-objective Optimization [3.431120541553662]
本稿では,カーネル化された自己コード進化探索と遠近法に基づく予測を組み合わせた統一パラダイムを提案する。
提案手法は,多くの複雑なベンチマーク問題に対して,最先端の5つのアルゴリズムと比較する。
論文 参考訳（メタデータ） (2023-12-02T00:24:22Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Enhanced Opposition Differential Evolution Algorithm for Multimodal
Optimization [0.2538209532048866]
現実の問題は、本質的には複数の最適値からなるマルチモーダルである。
古典的な勾配に基づく手法は、目的関数が不連続あるいは微分不可能な最適化問題に対して失敗する。
我々は,MMOPを解くために,拡張オポポジション微分進化(EODE)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-23T16:18:27Z) - 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) - Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian
Modeling [68.69431580852535]
サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。
我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。
我々は2つの異なる社会問題に対してアルゴリズムを実行する。
論文 参考訳（メタデータ） (2021-07-07T03:57:22Z) - An Online Prediction Approach Based on Incremental Support Vector
Machine for Dynamic Multiobjective Optimization [19.336520152294213]
インクリメンタルサポートベクトルマシン(ISVM)に基づく新しい予測アルゴリズムを提案する。
動的多目的最適化問題(DMOP)の解決をオンライン学習プロセスとして扱う。
提案アルゴリズムは動的多目的最適化問題に効果的に取り組むことができる。
論文 参考訳（メタデータ） (2021-02-24T08:51:23Z) - 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) - sKPNSGA-II: Knee point based MOEA with self-adaptive angle for Mission
Planning Problems [2.191505742658975]
いくつかの問題には、多くの非支配的な解をもたらす多くの目的がある。
本稿では,最も重要な解を得るために設計された新しいアルゴリズムを提案する。
このアルゴリズムは無人航空機(UAV)ミッション計画問題における実世界の応用に応用されている。
論文 参考訳（メタデータ） (2020-02-20T17:07:08Z) - GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal
Black Box Constraint Satisfaction [69.94831587339539]
本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。
我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
論文 参考訳（メタデータ） (2020-02-17T20:21:20Z)
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。