論文の概要: Algorithm Configurations of MOEA/D with an Unbounded External Archive
- arxiv url: http://arxiv.org/abs/2007.13352v1
- Date: Mon, 27 Jul 2020 08:14:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 08:12:08.434171
- Title: Algorithm Configurations of MOEA/D with an Unbounded External Archive
- Title（参考訳）: 非バウンド外部アーカイブによるmoea/dのアルゴリズム構成
- Authors: Lie Meng Pang, Hisao Ishibuchi and Ke Shang
- Abstract要約: 実行中に基準点仕様を線形に変更することによりMOEA/Dの性能が向上することを示す。
また、遺伝的アルゴリズムに基づくオフラインハイパーヒューリスティック手法を用いて、各フレームワークにおけるMOEA/Dの最適構成を求める。
- 参考スコア（独自算出の注目度）: 7.745468825770201
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the evolutionary multi-objective optimization (EMO) community, it is
usually assumed that the final population is presented to the decision maker as
the result of the execution of an EMO algorithm. Recently, an unbounded
external archive was used to evaluate the performance of EMO algorithms in some
studies where a pre-specified number of solutions are selected from all the
examined non-dominated solutions. In this framework, which is referred to as
the solution selection framework, the final population does not have to be a
good solution set. Thus, the solution selection framework offers higher
flexibility to the design of EMO algorithms than the final population
framework. In this paper, we examine the design of MOEA/D under these two
frameworks. First, we show that the performance of MOEA/D is improved by
linearly changing the reference point specification during its execution
through computational experiments with various combinations of initial and
final specifications. Robust and high performance of the solution selection
framework is observed. Then, we examine the use of a genetic algorithm-based
offline hyper-heuristic method to find the best configuration of MOEA/D in each
framework. Finally, we further discuss solution selection after the execution
of an EMO algorithm in the solution selection framework.
- Abstract（参考訳）: 進化的多目的最適化(EMO)コミュニティでは、EMOアルゴリズムの実行の結果、最終的な人口が決定者へ提示されるのが普通である。
近年,調査対象でないすべてのソリューションから,あらかじめ特定された数の解が選択された研究において,EMOアルゴリズムの性能を評価するために,非有界な外部アーカイブを用いた。
このフレームワークでは、解選択フレームワークと呼ばれるが、最終的な集団は良い解集合である必要はない。
したがって、ソリューション選択フレームワークは、最終集団フレームワークよりもEMOアルゴリズムの設計に高い柔軟性を提供する。
本稿では,この2つのフレームワークによるMOEA/Dの設計について検討する。
まず、初期仕様と最終仕様の様々な組み合わせによる計算実験により、その実行中に基準点仕様を線形に変更することにより、MOEA/Dの性能が向上することを示す。
ソリューション選択フレームワークのロバストかつ高性能性が観察された。
次に,遺伝的アルゴリズムに基づくオフラインハイパーヒューリスティック手法を用いて,各フレームワークにおけるMOEA/Dの最適構成を求める。
最後に、解選択フレームワークにおけるEMOアルゴリズムの実行後の解選択についても論じる。
関連論文リスト
- Decision-focused Graph Neural Networks for Combinatorial Optimization [62.34623670845006]
最適化問題に取り組むための新たな戦略は、従来のアルゴリズムに代わるグラフニューラルネットワーク(GNN)の採用である。
GNNや従来のアルゴリズムソルバがCOの領域で人気が高まっているにもかかわらず、それらの統合利用とエンドツーエンドフレームワークにおけるそれらの相関について限定的な研究がなされている。
我々は、GNNを利用してCO問題に補助的なサポートで対処する決定に焦点を当てたフレームワークを導入する。
論文 参考訳（メタデータ） (2024-06-05T22:52:27Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - Socio-cognitive Optimization of Time-delay Control Problems using
Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。
本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文 参考訳（メタデータ） (2022-10-23T22:21:10Z) - Interactive Evolutionary Multi-Objective Optimization via
Learning-to-Rank [8.421614560290609]
本稿では,関心の解(SOI)を対話的に見つけるために,嗜好に基づくEMOアルゴリズムを設計するためのフレームワークを開発する。
EMOの中核となる考え方は、人間をEMOのループに巻き込むことだ。何回か繰り返すと、DMは数人の現職候補者に対してフィードバックを求めるよう招待される。
このような情報を集めることで、彼女の好みは学習からランクまでニューラルネットワークによって徐々に学習され、次にベースラインEMOアルゴリズムを導出するために応用される。
論文 参考訳（メタデータ） (2022-04-06T06:34:05Z) - 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) - Evolutionary Multi-Objective Optimization Algorithm Framework with Three
Solution Sets [7.745468825770201]
EMOアルゴリズムにより得られた非支配的解集合から最終解が決定者によって選択されると仮定する。
本稿では,様々な状況に対処するための3つのソリューションセットを備えた汎用EMOフレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-14T08:04:07Z) - Decomposition-Based Multi-Objective Evolutionary Algorithm Design under
Two Algorithm Frameworks [7.745468825770201]
オフラインの遺伝的アルゴリズムに基づくハイパーヒューリスティック手法を用いて,各フレームワークにおけるMOEA/Dの最適構成を求める。
実験結果から,解選択フレームワークを用いた場合,より柔軟で堅牢で高性能なMOEA/Dアルゴリズムが得られる可能性が示唆された。
論文 参考訳（メタデータ） (2020-08-17T05:28:20Z) - 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) - 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。