論文の概要: dMFEA-II: An Adaptive Multifactorial Evolutionary Algorithm for
Permutation-based Discrete Optimization Problems
- arxiv url: http://arxiv.org/abs/2004.06559v3
- Date: Wed, 13 May 2020 15:35:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 08:46:29.050124
- Title: dMFEA-II: An Adaptive Multifactorial Evolutionary Algorithm for
Permutation-based Discrete Optimization Problems
- Title（参考訳）: dMFEA-II:順応型離散最適化問題に対する適応多因子進化アルゴリズム
- Authors: Eneko Osaba, Aritz D. Martinez, Akemi Galvez, Andres Iglesias, Javier
Del Ser
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.943742860591444
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The emerging research paradigm coined as multitasking optimization aims to
solve multiple optimization tasks concurrently by means of a single search
process. For this purpose, the exploitation of complementarities among the
tasks to be solved is crucial, which is often achieved via the transfer of
genetic material, thereby forging the Transfer Optimization field. In this
context, Evolutionary Multitasking addresses this paradigm by resorting to
concepts from Evolutionary Computation. Within this specific branch, approaches
such as the Multifactorial Evolutionary Algorithm (MFEA) has lately gained a
notable momentum when tackling multiple optimization tasks. This work
contributes to this trend by proposing the first adaptation of the recently
introduced Multifactorial Evolutionary Algorithm II (MFEA-II) to
permutation-based discrete optimization environments. For modeling this
adaptation, some concepts cannot be directly applied to discrete search spaces,
such as parent-centric interactions. In this paper we entirely reformulate such
concepts, making them suited to deal with permutation-based search spaces
without loosing the inherent benefits of MFEA-II. The performance of the
proposed solver has been assessed over 5 different multitasking setups,
composed by 8 datasets of the well-known Traveling Salesman (TSP) and
Capacitated Vehicle Routing Problems (CVRP). The obtained results and their
comparison to those by the discrete version of the MFEA confirm the good
performance of the developed dMFEA-II, and concur with the insights drawn in
previous studies for continuous optimization.
- Abstract（参考訳）: マルチタスク最適化とよばれる新たな研究パラダイムは、単一の探索プロセスを用いて複数の最適化タスクを同時に解決することを目的としている。
この目的のために、解決すべきタスク間の相補性の活用が重要であり、しばしば遺伝物質の移動によって達成され、転送最適化分野を鍛造する。
この文脈では、進化的マルチタスクは進化的計算の概念を頼りにこのパラダイムに対処する。
この特定のブランチ内では、MFEA(Multifactorial Evolutionary Algorithm)のようなアプローチが、複数の最適化タスクに取り組む際に、近年顕著な勢いを増している。
この研究は、最近導入されたMFEA-II(Multifactorial Evolutionary Algorithm II)を置換に基づく離散最適化環境に適応させることによって、この傾向に寄与する。
この適応をモデル化するために、親中心相互作用のような離散探索空間に直接適用できない概念がある。
本稿では,MFEA-IIの本質的な利点を損なうことなく,置換に基づく探索空間を扱うのに適した,そのような概念を完全に再構成する。
提案手法の性能は,TSP (Traveing Salesman) とCVRP (Capacitated Vehicle Routing Problems) の8つのデータセットを用いて,5種類のマルチタスク・セットアップで評価されている。
得られた結果とMFEAの離散版との比較により, 開発したdMFEA-IIの良好な性能が確認され, 連続最適化のための従来の研究で得られた知見と一致した。
関連論文リスト
- Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - 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) - Bidirectional Looking with A Novel Double Exponential Moving Average to
Adaptive and Non-adaptive Momentum Optimizers [109.52244418498974]
我々は,新しいtextscAdmeta(textbfADouble指数textbfMov averagtextbfE textbfAdaptiveおよび非適応運動量)フレームワークを提案する。
我々は、textscAdmetaR と textscAdmetaS の2つの実装を提供し、前者は RAdam を、後者は SGDM をベースとしています。
論文 参考訳（メタデータ） (2023-07-02T18:16:06Z) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳（メタデータ） (2023-05-31T12:07:50Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - A novel multiobjective evolutionary algorithm based on decomposition and
multi-reference points strategy [14.102326122777475]
分解に基づく多目的進化アルゴリズム(MOEA/D)は、多目的最適化問題(MOP)を解く上で、極めて有望なアプローチであると考えられている。
本稿では,よく知られたPascoletti-Serafiniスキャラライゼーション法とマルチ参照ポイントの新たな戦略により,MOEA/Dアルゴリズムの改良を提案する。
論文 参考訳（メタデータ） (2021-10-27T02:07:08Z) - Enhanced Innovized Repair Operator for Evolutionary Multi- and
Many-objective Optimization [5.885238773559015]
革新」とは、最適化問題においてパレート最適化(PO)ソリューションの一部または全部の共通関係を学習するタスクである。
近年の研究では、非支配的なソリューションの時系列配列もまた、問題の特徴を学習するのに使える有能なパターンを持っていることが示されている。
本稿では,Pareto-Optimal 集合に向けて,集団構成員を前進させるために必要な設計変数の修正を学習する機械学習(ML-)支援モデル手法を提案する。
論文 参考訳（メタデータ） (2020-11-21T10:29:15Z) - 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) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳（メタデータ） (2020-06-15T02:57:57Z) - 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) - 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)
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。