論文の概要: Multi-Emitter MAP-Elites: Improving quality, diversity and convergence
speed with heterogeneous sets of emitters
- arxiv url: http://arxiv.org/abs/2007.05352v2
- Date: Tue, 6 Jul 2021 09:33:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 21:23:47.646178
- Title: Multi-Emitter MAP-Elites: Improving quality, diversity and convergence
speed with heterogeneous sets of emitters
- Title（参考訳）: マルチエミッタMAP-エリート:異種エミッタ集合による品質,多様性,収束速度の向上
- Authors: Antoine Cully
- Abstract要約: CMA-MEを直接拡張し、その品質、多様性、データ効率を改善するアルゴリズムであるMulti-Emitter MAP-Elites(ME-MAP-Elites)を導入する。
バンディットアルゴリズムは、現在の状況に応じて最適なエミッタの選択を動的に見つける。
我々は,標準的な最適化問題(100次元)からロボット工学における複雑な移動タスクまで,6つのタスクにおけるME-MAP-Elitesの性能を評価する。
- 参考スコア（独自算出の注目度）: 1.827510863075184
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Quality-Diversity (QD) optimisation is a new family of learning algorithms
that aims at generating collections of diverse and high-performing solutions.
Among those algorithms, the recently introduced Covariance Matrix Adaptation
MAP-Elites (CMA-ME) algorithm proposes the concept of emitters, which uses a
predefined heuristic to drive the algorithm's exploration. This algorithm was
shown to outperform MAP-Elites, a popular QD algorithm that has demonstrated
promising results in numerous applications. In this paper, we introduce
Multi-Emitter MAP-Elites (ME-MAP-Elites), an algorithm that directly extends
CMA-ME and improves its quality, diversity and data efficiency. It leverages
the diversity of a heterogeneous set of emitters, in which each emitter type
improves the optimisation process in different ways. A bandit algorithm
dynamically finds the best selection of emitters depending on the current
situation. We evaluate the performance of ME-MAP-Elites on six tasks, ranging
from standard optimisation problems (in 100 dimensions) to complex locomotion
tasks in robotics. Our comparisons against CMA-ME and MAP-Elites show that
ME-MAP-Elites is faster at providing collections of solutions that are
significantly more diverse and higher performing. Moreover, in cases where no
fruitful synergy can be found between the different emitters, ME-MAP-Elites is
equivalent to the best of the compared algorithms.
- Abstract（参考訳）: 品質多様性(QD)最適化は、多種多様な高性能なソリューションのコレクションを生成することを目的とした学習アルゴリズムの新たなファミリーである。
これらのアルゴリズムのうち、最近導入されたCovariance Matrix Adaptation MAP-Elites (CMA-ME)アルゴリズムは、事前に定義されたヒューリスティックを用いてアルゴリズムの探索を駆動するエミッタの概念を提案する。
このアルゴリズムは、多くのアプリケーションにおいて有望な結果を示す人気のQDアルゴリズムであるMAP-Elitesより優れていることを示した。
本稿では,CMA-MEを直接拡張し,その品質,多様性,データ効率を向上させるアルゴリズムであるMulti-Emitter MAP-Elites(ME-MAP-Elites)を紹介する。
これは異種エミッタの多様性を活用し、それぞれのエミッタタイプは異なる方法で最適化プロセスを改善する。
バンディットアルゴリズムは、現在の状況に応じて最適なエミッタの選択を動的に見つける。
我々は,標準的な最適化問題(100次元)からロボット工学における複雑な移動タスクまで,6つのタスクにおけるME-MAP-Elitesの性能を評価する。
CMA-MEとMAP-Elitesを比較すると,ME-MAP-Elitesはより多様で高性能なソリューションの集合を提供するのが速いことが分かる。
さらに、異なるエミッタ間で実りのない相乗効果が見つからない場合、ME-MAP-Elitesは比較アルゴリズムの最高値と等価である。
関連論文リスト
- Synergizing Quality-Diversity with Descriptor-Conditioned Reinforcement Learning [4.851070356054758]
品質多様性アルゴリズム(Quality-Diversity algorithm)は、多種多様な高適合性ソリューションを生成するために設計された進化的手法である。
遺伝的アルゴリズムとして、MAP-エリートはランダムな突然変異に依存しており、高次元の探索空間では非効率になる可能性がある。
本稿では,記述子条件付きアクタを生成モデルとして利用するDCG-MAP-Elitesの拡張であるDCRL-MAP-Elitesを紹介する。
論文 参考訳（メタデータ） (2023-12-10T19:53:15Z) - An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-30T15:57:14Z) - 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) - 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) - Asymmetric Scalable Cross-modal Hashing [51.309905690367835]
クロスモーダルハッシュは、大規模なマルチメディア検索問題を解決する方法として成功している。
これらの問題に対処する新しい非対称スケーラブルクロスモーダルハッシュ(ASCMH)を提案する。
我々のASCMHは、最先端のクロスモーダルハッシュ法よりも精度と効率の点で優れています。
論文 参考訳（メタデータ） (2022-07-26T04:38:47Z) - Multi-Objective Quality Diversity Optimization [2.4608515808275455]
MOME(Multi-Objective MAP-Elites)の多目的設定におけるMAP-Elitesアルゴリズムの拡張を提案する。
すなわち、MAP-Elitesグリッドアルゴリズムから受け継いだ多様性と、多目的最適化の強みを組み合わせる。
本手法は,標準的な最適化問題からロボットシミュレーションまで,いくつかのタスクで評価する。
論文 参考訳（メタデータ） (2022-02-07T10:48:28Z) - 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) - Self-Referential Quality Diversity Through Differential Map-Elites [5.2508303190856624]
Differential MAP-Elitesは、計算-MAP-Elitesの照明能力と微分進化の連続空間最適化能力を組み合わせた新しいアルゴリズムである。
ここで初めて導入されたMAP-Elitesアルゴリズムは、微分進化の演算子と微分-MAP-Elitesの写像構造を単純に組み合わせることで比較的単純である。
論文 参考訳（メタデータ） (2021-07-11T04:31:10Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z) - Fast and stable MAP-Elites in noisy domains using deep grids [1.827510863075184]
Deep-Grid MAP-ElitesはMAP-Elitesアルゴリズムの変種である。
この単純なアプローチは、適合性最適化の観点から競争性能を達成しつつ、動作記述子のノイズに対する耐性が著しく高いことを示す。
論文 参考訳（メタデータ） (2020-06-25T08:47:23Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z)
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。