論文の概要: On the Combined Impact of Population Size and Sub-problem Selection in MOEA/D

• arxiv url: http://arxiv.org/abs/2004.06961v1
• Date: Wed, 15 Apr 2020 09:13:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 02:47:54.119582
• Title: On the Combined Impact of Population Size and Sub-problem Selection in MOEA/D
• Title（参考訳）: MOEA/Dにおける人口規模とサブプロブレム選択の影響について
• Authors: Geoffrey Pruvost (BONUS), Bilel Derbel (BONUS), Arnaud Liefooghe (BONUS), Ke Li, Qingfu Zhang (CUHK)
• Abstract要約: ランダムなサブプロブレムを選択する単純なランダム戦略でさえ、既存の戦略より優れていることを示す。 また,このような戦略の頑丈さと対象問題の目的空間次元に対する感度について検討した。
• 参考スコア（独自算出の注目度）: 3.9718293469225334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper intends to understand and to improve the working principle of decomposition-based multi-objective evolutionary algorithms. We review the design of the well-established Moea/d framework to support the smooth integration of different strategies for sub-problem selection, while emphasizing the role of the population size and of the number of offspring created at each generation. By conducting a comprehensive empirical analysis on a wide range of multi-and many-objective combinatorial NK landscapes, we provide new insights into the combined effect of those parameters on the anytime performance of the underlying search process. In particular, we show that even a simple random strategy selecting sub-problems at random outperforms existing sophisticated strategies. We also study the sensitivity of such strategies with respect to the ruggedness and the objective space dimension of the target problem.
• Abstract（参考訳）: 本稿では,分解に基づく多目的進化アルゴリズムの動作原理を理解し,改善することを目的とする。 我々は,各世代における集団規模と子孫数の役割を強調しつつ,サブプロブレム選択のための様々な戦略の円滑な統合を支援するために,確立されたMoea/dフレームワークの設計をレビューする。 多様な多目的組合せnkランドスケープに関する包括的実証分析を行い,それらのパラメータが基礎となる検索プロセスの任意の時間性能に与える影響について新たな知見を与える。 特に,サブプロブレムをランダムに選択する単純なランダム戦略であっても,既存の高度な戦略よりも優れていることを示す。 また,このような戦略の頑丈さと対象問題の目的空間次元に対する感度について検討した。

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)
• Analyzing and Overcoming Local Optima in Complex Multi-Objective Optimization by Decomposition-Based Evolutionary Algorithms [5.153202024713228]
  多目的進化アルゴリズム(MOEAD)はしばしば局所最適に収束し、解の多様性を制限する。 本稿では,局所最適問題を克服するために,革新的なRP選択戦略であるベクトルガイドウェイトハイブリッド法を提案する。 本研究は,2014年から2022年までのMOEADsフレームワークにおける14のアルゴリズムによるアブレーションと,提案手法の有効性を従来の手法と最先端の手法の両方に対して評価するための一連の実証実験からなる。
  論文  参考訳（メタデータ） (2024-04-12T14:29:45Z)
• Weighted strategies to guide a multi-objective evolutionary algorithm for multi-UAV mission planning [12.97430155510359]
  この研究は、新しい個体の生成と突然変異のための重み付きランダム・ジェネレータを提案する。 この研究の主な目的は、マルチUAVミッション計画のためのMOEAソルバの収束率を下げることである。
  論文  参考訳（メタデータ） (2024-02-28T23:05:27Z)
• Towards Multi-Objective High-Dimensional Feature Selection via Evolutionary Multitasking [63.91518180604101]
  本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。 タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
  論文  参考訳（メタデータ） (2024-01-03T06:34:39Z)
• Multiform Evolution for High-Dimensional Problems with Low Effective Dimensionality [36.44425198302701]
  進化的アルゴリズムを高次元最適化問題に拡張する。 全ての定式化を単一のマルチタスク設定に統一するマルチフォーム進化アルゴリズムを開発した。 その結果、目的タスクは様々な低次元探索で進化した解を効率的に再利用することができる。
  論文  参考訳（メタデータ） (2023-12-30T08:13:47Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Multi-Objective GFlowNets [59.16787189214784]
  本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。 薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。 GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
  論文  参考訳（メタデータ） (2022-10-23T16:15:36Z)
• A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
  深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。 これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
  論文  参考訳（メタデータ） (2022-10-19T19:04:45Z)
• Revisiting GANs by Best-Response Constraint: Perspective, Methodology, and Application [49.66088514485446]
  ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。 モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
  論文  参考訳（メタデータ） (2022-05-20T12:42:41Z)
• A Multi-objective Evolutionary Algorithm for EEG Inverse Problem [0.0]
  本稿では,脳波逆問題に対する多目的アプローチを提案する。 この問題の特徴から、この代替案にはそれを解決するための進化戦略が含まれていた。 その結果、分散ソリューションを推定するために、MOEAAR(Anatomical Restrictions)に基づく多目的進化的アルゴリズムが得られた。
  論文  参考訳（メタデータ） (2021-07-21T19:37:27Z)
• Permutation Invariant Policy Optimization for Mean-Field Multi-Agent Reinforcement Learning: A Principled Approach [128.62787284435007]
  本稿では,平均場近似ポリシ最適化(MF-PPO)アルゴリズムを提案する。 我々は,MF-PPOが収束のサブ線形速度で世界的最適政策を達成することを証明した。 特に、置換不変ニューラルアーキテクチャによって引き起こされる誘導バイアスは、MF-PPOが既存の競合より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-18T04:35:41Z)

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。