論文の概要: Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization
- arxiv url: http://arxiv.org/abs/2004.13925v1
- Date: Wed, 29 Apr 2020 02:16:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 14:00:25.237816
- Title: Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization
- Title（参考訳）: 多目的最適化のためのハイブリッド適応進化アルゴリズム
- Authors: Jeisson Prieto, Jonatan Gomez
- Abstract要約: 本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。
MoHAEAは、MOEA/D、pa$lambda$-MOEA/D、MOEA/D-AWA、NSGA-IIの4つの状態と比較される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The major difficulty in Multi-objective Optimization Evolutionary Algorithms
(MOEAs) is how to find an appropriate solution that is able to converge towards
the true Pareto Front with high diversity. Most existing methodologies, which
have demonstrated their niche on various practical problems involving two and
three objectives, face significant challenges in the dependency of the
selection of the EA parameters. Moreover, the process of setting such
parameters is considered time-consuming, and several research works have tried
to deal with this problem. This paper proposed a new Multi-objective Algorithm
as an extension of the Hybrid Adaptive Evolutionary algorithm (HAEA) called
MoHAEA. MoHAEA allows dynamic adaptation of the application of operator
probabilities (rates) to evolve with the solution of the multi-objective
problems combining the dominance- and decomposition-based approaches. MoHAEA is
compared with four states of the art MOEAs, namely MOEA/D, pa$\lambda$-MOEA/D,
MOEA/D-AWA, and NSGA-II on ten widely used multi-objective test problems.
Experimental results indicate that MoHAEA outperforms the benchmark algorithms
in terms of how it is able to find a well-covered and well-distributed set of
points on the Pareto Front.
- Abstract（参考訳）: 多目的最適化進化アルゴリズム(MOEA)の最大の難しさは、多様性の高い真のパレートフロントに収束できる適切な解を見つける方法である。
既存の方法論の多くは、2つの目的と3つの目的を含む様々な実用的問題にニッチを示しており、eaパラメータの選択に依存する重要な課題に直面している。
さらに、そのようなパラメータを設定するプロセスは時間を要すると考えられており、いくつかの研究がこの問題に対処しようとしている。
本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。
MoHAEAは、演算子確率(rate)の適用を、支配と分解に基づくアプローチを組み合わせた多目的問題の解によって動的に適応することができる。
MoHAEAは、MOEA/D、pa$\lambda$-MOEA/D、MOEA/D-AWA、NSGA-IIの4つの最先端のMOEAと比較される。
実験の結果、MoHAEAはPareto Front上でよく発見された、よく分散された点の集合を見つけることができるという点で、ベンチマークアルゴリズムよりも優れていた。
関連論文リスト
- Maintaining Diversity Provably Helps in Evolutionary Multimodal Optimization [20.621635722585502]
解空間における解の多様性を考慮に入れた簡単な方法が進化的アルゴリズム(EA)の探索に有効であることを示す。
提案手法は,クロスオーバーで作業することで探索の促進に寄与し,予測走行時間において,マルチモーダルあるいは指数加速度がもたらされることを実証する。
論文 参考訳（メタデータ） (2024-06-04T17:52:14Z) - Expensive Multi-Objective Bayesian Optimization Based on Diffusion Models [17.19004913553654]
多目的ベイズ最適化(MOBO)は、様々な高価な多目的最適化問題(EMOP)において有望な性能を示した。
高価なMOBOのための合成拡散モデルに基づくパレートセット学習アルゴリズム,すなわちCDM-PSLを提案する。
提案アルゴリズムは,様々な最先端MOBOアルゴリズムと比較して優れた性能が得られる。
論文 参考訳（メタデータ） (2024-05-14T14:55:57Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-05-01T09:34:42Z) - Applying Autonomous Hybrid Agent-based Computing to Difficult
Optimization Problems [56.821213236215634]
本稿では,EMASのハイブリッドバージョンを提案する。
これには、複数のハイブリッド演算子の選択と導入、およびメインアルゴリズムのハイブリッドステップを開始するためのルールの定義が含まれる。
これらのハイブリッドステップは、既存の、よく知られた、そして証明された、効率的なメタヒューリスティックスを活用し、その結果をメインのアルゴリズムに統合する。
論文 参考訳（メタデータ） (2022-10-24T13:28:35Z) - 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) - Multi-objective hyperparameter optimization with performance uncertainty [62.997667081978825]
本稿では,機械学習アルゴリズムの評価における不確実性を考慮した多目的ハイパーパラメータ最適化の結果について述べる。
木構造型Parzen Estimator(TPE)のサンプリング戦略と、ガウス過程回帰(GPR)と異種雑音の訓練後に得られたメタモデルを組み合わせる。
3つの解析的テスト関数と3つのML問題の実験結果は、多目的TPEとGPRよりも改善したことを示している。
論文 参考訳（メタデータ） (2022-09-09T14:58:43Z) - Pareto Set Learning for Neural Multi-objective Combinatorial
Optimization [6.091096843566857]
多目的最適化(MOCO)の問題は、現実世界の多くのアプリケーションで見られる。
我々は,与えられたMOCO問題に対するパレート集合全体を,探索手順を伴わずに近似する学習ベースアプローチを開発した。
提案手法は,多目的走行セールスマン問題,マルチコンディショニング車両ルーティング問題,複数クナップサック問題において,ソリューションの品質,速度,モデル効率の面で,他の方法よりも優れていた。
論文 参考訳（メタデータ） (2022-03-29T09:26:22Z) - 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) - 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) - Decomposition in Decision and Objective Space for Multi-Modal
Multi-Objective Optimization [15.681236469530397]
多モード多目的最適化問題(MMMOP)はパレート最適集合内に複数の部分集合を持つ。
一般的な多目的進化的アルゴリズムは、複数の解部分集合を探索するために純粋に設計されていないが、MMMOP向けに設計されたアルゴリズムは、目的空間における劣化した性能を示す。
これは、MMMOPに対処するためのより良いアルゴリズムの設計を動機付けている。
論文 参考訳（メタデータ） (2020-06-04T03:18:47Z) - 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。