論文の概要: A Tailored NSGA-III Instantiation for Flexible Job Shop Scheduling

• arxiv url: http://arxiv.org/abs/2004.06564v1
• Date: Tue, 14 Apr 2020 14:49:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 08:46:41.971767
• Title: A Tailored NSGA-III Instantiation for Flexible Job Shop Scheduling
• Title（参考訳）: フレキシブルジョブショップスケジューリングのための階層型NSGA-IIIインスティファイション
• Authors: Yali Wang, Bas van Stein, Michael T.M. Emmerich, Thomas B\"ack
• Abstract要約: フレキシブルなジョブスケジューリング問題を解決するために、カスタマイズされた進化的アルゴリズムを提案する。 様々な局所探索戦略を用いて、より良い解の近傍パラメータを探索する。 実験結果は,計算予算の削減による優れた性能を示す。
• 参考スコア（独自算出の注目度）: 18.401817124823832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A customized multi-objective evolutionary algorithm (MOEA) is proposed for the multi-objective flexible job shop scheduling problem (FJSP). It uses smart initialization approaches to enrich the first generated population, and proposes various crossover operators to create a better diversity of offspring. Especially, the MIP-EGO configurator, which can tune algorithm parameters, is adopted to automatically tune operator probabilities. Furthermore, different local search strategies are employed to explore the neighborhood for better solutions. In general, the algorithm enhancement strategy can be integrated with any standard EMO algorithm. In this paper, it has been combined with NSGA-III to solve benchmark multi-objective FJSPs, whereas an off-the-shelf implementation of NSGA-III is not capable of solving the FJSP. The experimental results show excellent performance with less computing budget.
• Abstract（参考訳）: マルチオブジェクトフレキシブルなジョブショップスケジューリング問題 (FJSP) に対して, カスタマイズ型多目的進化アルゴリズム (MOEA) を提案する。 最初の生成した人口を豊かにするためにスマートイニシャライズアプローチを使用し、様々なクロスオーバー演算子を提案し、子孫の多様性を高めている。 特に,アルゴリズムパラメータをチューニング可能なMIP-EGO設定器を用いて,演算子の確率を自動的に調整する。 さらに、より良い解を求めるために、地域探索戦略が採用されている。 一般に、アルゴリズム強化戦略は任意の標準EMOアルゴリズムと統合することができる。 本稿では、NSGA-IIIと組み合わせてベンチマーク多目的FJSPを解くが、NSGA-IIIの既製の実装ではFJSPを解くことはできない。 実験結果は計算予算の少ない優れた性能を示す。

関連論文リスト

• Decoding-Time Language Model Alignment with Multiple Objectives [88.64776769490732]
  既存の手法は主に、1つの報酬関数に対してLMを最適化することに集中し、それらの適応性は様々な目的に制限される。 本稿では,予測の線形結合から次のトークンを出力する復号時間アルゴリズムである$textbfmulti-objective decoding (MOD)$を提案する。 提案手法は, 自然条件下であっても, 既存のアプローチが準最適であることを示すとともに, 提案手法の最適性を保証する。
  論文  参考訳（メタデータ） (2024-06-27T02:46:30Z)
• Ant Colony Sampling with GFlowNets for Combinatorial Optimization [68.84985459701007]
  本稿では、最適化(CO)のためのニューラルネットワークによる確率的探索アルゴリズムであるGFACS(Generative Flow Ant Colony Sampler)を紹介する。 GFACSは生成フローネットワーク(GFlowNets)と、確率的探索アルゴリズムであるアリコロニー最適化(ACO)を統合している。
  論文  参考訳（メタデータ） (2024-03-11T16:26:06Z)
• A new simplified MOPSO based on Swarm Elitism and Swarm Memory: MO-ETPSO [0.0]
  Elitist PSO (MO-ETPSO) は多目的最適化問題に適用される。 提案アルゴリズムは、確立されたNSGA-IIアプローチからコア戦略を統合する。 このアルゴリズムの新たな側面は、SwarmメモリとSwarmエリート主義の導入である。
  論文  参考訳（メタデータ） (2024-02-20T09:36:18Z)
• Multi-objective Binary Coordinate Search for Feature Selection [0.24578723416255746]
  大規模特徴選択問題の解法として,二元多目的座標探索(MOCS)アルゴリズムを提案する。 その結果,実世界の5つの大規模データセットにおいて,NSGA-IIよりも提案手法が優れていることが示唆された。
  論文  参考訳（メタデータ） (2024-02-20T00:50:26Z)
• PS-AAS: Portfolio Selection for Automated Algorithm Selection in Black-Box Optimization [4.842307002343618]
  自動アルゴリズム選択のパフォーマンスは、選択するアルゴリズムのポートフォリオに依存する。 実際には、おそらくポートフォリオのアルゴリズムを選択する最も一般的な方法は、いくつかの参照タスクにおいてうまく機能するアルゴリズムを欲しがる選択である。 提案手法は,アルゴリズムの振る舞いのメタ表現を作成し,そのメタ表現の類似性に基づいて,アルゴリズムの集合からグラフを構築し,グラフアルゴリズムを適用して,多様な,代表的,非冗長なアルゴリズムの最終的なポートフォリオを選択する。
  論文  参考訳（メタデータ） (2023-10-14T12:13:41Z)
• HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
  設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。 我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-23T17:27:40Z)
• OFA$^2$: A Multi-Objective Perspective for the Once-for-All Neural Architecture Search [79.36688444492405]
  once-for-All(OFA)は、異なるリソース制約を持つデバイスのための効率的なアーキテクチャを探索する問題に対処するために設計された、ニューラルネットワーク検索(NAS)フレームワークである。 我々は,探索段階を多目的最適化問題として明示的に考えることにより,効率の追求を一歩進めることを目指している。
  論文  参考訳（メタデータ） (2023-03-23T21:30:29Z)
• A Simple Evolutionary Algorithm for Multi-modal Multi-objective Optimization [0.0]
  マルチモーダル・多目的最適化問題(MMOP)を解くための定常進化アルゴリズムを提案する。 本報告では,1000関数評価の低計算予算を用いて,様々なテストスイートから得られた21個のMMOPの性能について報告する。
  論文  参考訳（メタデータ） (2022-01-18T03:31:11Z)
• 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)
• ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
  バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。 既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。 本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
  論文  参考訳（メタデータ） (2021-10-13T19:36:50Z)
• Hybrid Henry Gas Solubility Optimization Algorithm with Dynamic Cluster-to-Algorithm Mapping for Search-based Software Engineering Problems [1.0323063834827413]
  本稿ではHenry Gas Solubility Optimization(HGSO)アルゴリズムの新しい変種であるHGSO(Hybrid HGSO)について述べる。 前者とは異なり、HHGSOは異なるメタヒューリスティックアルゴリズムを提供する複数のクラスタを同じ集団内で共存させることができる。 HHGSOは、適応的な切替係数を持つペナル化および報酬モデルによる動的クラスタ-アルゴリズムマッピングを発明し、メタヒューリスティックなハイブリダイゼーションのための新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2021-05-31T12:42:15Z)

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。