Fugu-MT 論文翻訳(概要): Decomposition in Decision and Objective Space for Multi-Modal Multi-Objective Optimization

論文の概要: Decomposition in Decision and Objective Space for Multi-Modal Multi-Objective Optimization

arxiv url: http://arxiv.org/abs/2006.02628v3
Date: Wed, 3 Feb 2021 16:01:04 GMT
ステータス: 処理完了
システム内更新日: 2022-11-25 09:42:48.299269
Title: Decomposition in Decision and Objective Space for Multi-Modal Multi-Objective Optimization
Title（参考訳）: マルチモーダル多目的最適化のための決定空間と目的空間の分解
Authors: Monalisa Pal and Sanghamitra Bandyopadhyay
Abstract要約: 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。
参考スコア（独自算出の注目度）: 15.681236469530397
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-modal multi-objective optimization problems (MMMOPs) have multiple subsets within the Pareto-optimal Set, each independently mapping to the same Pareto-Front. Prevalent multi-objective evolutionary algorithms are not purely designed to search for multiple solution subsets, whereas, algorithms designed for MMMOPs demonstrate degraded performance in the objective space. This motivates the design of better algorithms for addressing MMMOPs. The present work identifies the crowding illusion problem originating from using crowding distance globally over the entire decision space. Subsequently, an evolutionary framework, called graph Laplacian based Optimization using Reference vector assisted Decomposition (LORD), is proposed, which uses decomposition in both objective and decision space for dealing with MMMOPs. Its filtering step is further extended to present LORD-II algorithm, which demonstrates its dynamics on multi-modal many-objective problems. The efficacies of the frameworks are established by comparing their performance on test instances from the CEC 2019 multi-modal multi-objective test suite and polygon problems with the state-of-the-art algorithms for MMMOPs and other multi- and many-objective evolutionary algorithms. The manuscript is concluded by mentioning the limitations of the proposed frameworks and future directions to design still better algorithms for MMMOPs. The source code is available at https://worksupplements.droppages.com/lord.
Abstract（参考訳）: multi-modal multi-objective optimization problem (mmmops) はパレート最適集合内に複数の部分集合を持ち、それぞれが独立に同じパレート前方にマッピングする。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性能を示す。これは、mmmops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る。本研究は,世界規模で群集距離を利用することから生じる群集錯視問題を明らかにする。その後、MMMOPの処理に目的空間と決定空間の両方を分解する参照ベクトル支援分解(LORD)を用いたグラフラプラシアン最適化と呼ばれる進化的フレームワークを提案する。そのフィルタリングステップは現在のLORD-IIアルゴリズムにさらに拡張され、マルチモーダル多目的問題におけるそのダイナミクスを実証する。フレームワークの有効性は、CEC 2019マルチモーダル多目的テストスイートとポリゴン問題のテストインスタンスのパフォーマンスを、MMMOPや他の多目的および多目的進化アルゴリズムの最先端アルゴリズムと比較することによって確立されている。この原稿は、提案されたフレームワークの限界と、MMMOPのためのより優れたアルゴリズムを設計するための今後の方向性に言及することで締めくくられている。ソースコードはhttps://worksupplements.droppages.com/lord.comで入手できる。

関連論文リスト

LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
論文参考訳（メタデータ） (2024-10-03T18:12:29Z)
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)
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 Policy Gradients with Topological Constraints [108.10241442630289]
本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
論文参考訳（メタデータ） (2022-09-15T07:22:58Z)
Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
論文参考訳（メタデータ） (2022-08-02T01:49:31Z)
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)
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)
Manifold Interpolation for Large-Scale Multi-Objective Optimization via Generative Adversarial Networks [12.18471608552718]
大規模多目的最適化問題(LSMOP)は、数百から数千の決定変数と複数の矛盾する目的を含むことを特徴とする。これまでの研究では、これらの最適解は低次元空間の多様体構造に一様に分布していることが示されている。本研究では, 生成逆数ネットワーク(GAN)に基づく多様体フレームワークを提案し, 多様体を学習し, 高品質な解を生成する。
論文参考訳（メタデータ） (2021-01-08T09:38:38Z)
A Framework to Handle Multi-modal Multi-objective Optimization in Decomposition-based Evolutionary Algorithms [7.81768535871051]
分解に基づく進化的アルゴリズムは多目的最適化に優れた性能を持つ。解空間の多様性を維持するメカニズムが欠如しているため、マルチモーダルな多目的最適化にはあまり役に立たない可能性が高い。本稿では,マルチモーダル多目的最適化のための分解に基づく進化的アルゴリズムの性能向上のためのフレームワークを提案する。
論文参考訳（メタデータ） (2020-09-30T14:32:57Z)
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)
A Decomposition-based Large-scale Multi-modal Multi-objective Optimization Algorithm [9.584279193016522]
広範に使われているMOEA/Dアルゴリズムに基づく効率的なマルチモーダル多目的最適化アルゴリズムを提案する。実験の結果,提案アルゴリズムは決定空間における解の多様性を効果的に維持できることが示された。
論文参考訳（メタデータ） (2020-04-21T09:18:54Z)

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。