論文の概要: A Multifactorial Optimization Paradigm for Linkage Tree Genetic
Algorithm
- arxiv url: http://arxiv.org/abs/2005.03090v1
- Date: Wed, 6 May 2020 19:28:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 05:16:20.552812
- Title: A Multifactorial Optimization Paradigm for Linkage Tree Genetic
Algorithm
- Title（参考訳）: 連鎖木遺伝的アルゴリズムのための多因子最適化パラダイム
- Authors: Huynh Thi Thanh Binh, Pham Dinh Thanh, Tran Ba Trung, Le Cong Thanh,
Le Minh Hai Phong, Ananthram Swami, Bui Thu Lam
- Abstract要約: マルチファクター木遺伝的アルゴリズム (MF-LTGA) を導入し, 同時に複数の最適化課題に取り組む。
MF-LTGAは複数の最適化タスクを同時にこなすことができ、各タスクは共有表現から問題変数間の依存関係を学習する。
LTGAや既存の手法と比較して、MF-LTGAはソリューションの品質や時間に優れています。
- 参考スコア（独自算出の注目度）: 13.056730270950235
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Linkage Tree Genetic Algorithm (LTGA) is an effective Evolutionary Algorithm
(EA) to solve complex problems using the linkage information between problem
variables. LTGA performs well in various kinds of single-task optimization and
yields promising results in comparison with the canonical genetic algorithm.
However, LTGA is an unsuitable method for dealing with multi-task optimization
problems. On the other hand, Multifactorial Optimization (MFO) can
simultaneously solve independent optimization problems, which are encoded in a
unified representation to take advantage of the process of knowledge transfer.
In this paper, we introduce Multifactorial Linkage Tree Genetic Algorithm
(MF-LTGA) by combining the main features of both LTGA and MFO. MF-LTGA is able
to tackle multiple optimization tasks at the same time, each task learns the
dependency between problem variables from the shared representation. This
knowledge serves to determine the high-quality partial solutions for supporting
other tasks in exploring the search space. Moreover, MF-LTGA speeds up
convergence because of knowledge transfer of relevant problems. We demonstrate
the effectiveness of the proposed algorithm on two benchmark problems:
Clustered Shortest-Path Tree Problem and Deceptive Trap Function. In comparison
to LTGA and existing methods, MF-LTGA outperforms in quality of the solution or
in computation time.
- Abstract（参考訳）: Linkage Tree Genetic Algorithm (LTGA) は、問題変数間のリンク情報を用いて複雑な問題を解く効果的な進化的アルゴリズム(EA)である。
ltgaは様々なシングルタスク最適化でうまく動作し、標準遺伝的アルゴリズムと比較して有望な結果が得られる。
しかし、LTGAはマルチタスク最適化問題を扱うには適さない方法である。
一方、MFO(Multifactorial Optimization)は、知識伝達のプロセスを活用するために、統一表現に符号化された独立最適化問題を同時に解くことができる。
本稿では,LTGA と MFO の主な特徴を組み合わせることで,MF-LTGA (Multifactorial Linkage Tree Genetic Algorithm) を提案する。
MF-LTGAは複数の最適化タスクに同時に取り組むことができ、各タスクは共有表現から問題変数間の依存関係を学習する。
この知識は、探索空間における他のタスクを支援するための高品質な部分解を決定するのに役立つ。
さらに、mf-ltgaは関連する問題の知識伝達により収束を高速化する。
提案手法の有効性を,クラスタ化最短経路木問題とデセプティブトラップ関数という2つのベンチマーク問題に対して示す。
LTGAや既存の手法と比較して、MF-LTGAはソリューションの品質や計算時間に優れています。
関連論文リスト
- Balancing Pareto Front exploration of Non-dominated Tournament Genetic Algorithm (B-NTGA) in solving multi-objective NP-hard problems with constraints [0.0]
提案手法をB-NTGA(B-NTGA)に適用した新しい平衡選択演算子を提案する。
提案したB-NTGAは,Thief Traveling ProblemやMulti-Skill Resource-Constrained Project Scheduling Problemのような,多目的および多目的の現実世界の2つのベンチマークで検討した。
実験の結果,B-NTGAは最先端手法よりも効率が高く,性能も優れていた。
論文 参考訳（メタデータ） (2024-10-08T05:34:13Z) - RIGA: A Regret-Based Interactive Genetic Algorithm [14.388696798649658]
そこで本研究では,多目的最適化問題を優先的精度で解くための対話型遺伝的アルゴリズムを提案する。
我々のアルゴリズムはRIGAと呼ばれ、集約関数がパラメータ内で線形であることから、任意の多目的最適化問題に適用できる。
いくつかのパフォーマンス指標(計算時間、最適性とクエリ数のギャップ)に対して、RIGAは最先端のアルゴリズムよりも優れた結果を得る。
論文 参考訳（メタデータ） (2023-11-10T13:56:15Z) - Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic
Algorithm for Solving Combinatorial Optimization Problems [1.8434042562191815]
遺伝的アルゴリズム(GA)は最適化問題の解法における効率性で知られている。
本稿では遺伝子工学の概念からインスピレーションを得るため,遺伝子工学アルゴリズム(GEA)と呼ばれる新しいメタヒューリスティックアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-28T13:05:30Z) - Low-Rank Multitask Learning based on Tensorized SVMs and LSSVMs [65.42104819071444]
マルチタスク学習(MTL)はタスク関連性を活用して性能を向上させる。
タスクインデックスに対応する各モードを持つ高次テンソルを用いて、複数のインデックスが参照するタスクを自然に表現する。
テンソル化サポートベクターマシン(SVM)と最小2乗サポートベクターマシン(LSSVM)を併用した低ランクMTL手法の汎用フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-30T14:28:26Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - Tensorized LSSVMs for Multitask Regression [48.844191210894245]
マルチタスク学習(MTL)は、複数のタスク間の関連性を利用してパフォーマンスを向上させる。
低ランクテンソル解析とLast Squares Support Vectorized Least Squares Support Vectorized tLSSVM-MTLを利用する。
論文 参考訳（メタデータ） (2023-03-04T16:36:03Z) - Massively Parallel Genetic Optimization through Asynchronous Propagation
of Populations [50.591267188664666]
Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。
提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。
Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
論文 参考訳（メタデータ） (2023-01-20T18:17:34Z) - 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) - A Two-stage Framework and Reinforcement Learning-based Optimization
Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。
スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。
その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文 参考訳（メタデータ） (2021-03-10T03:16:12Z) - 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) - 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。