論文の概要: The Cone epsilon-Dominance: An Approach for Evolutionary Multiobjective Optimization

• arxiv url: http://arxiv.org/abs/2008.04224v1
• Date: Tue, 14 Jul 2020 14:13:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 14:06:30.163421
• Title: The Cone epsilon-Dominance: An Approach for Evolutionary Multiobjective Optimization
• Title（参考訳）: コーン・エプシロン・ドミナンス:進化的多目的最適化へのアプローチ
• Authors: Lucas S. Batista, Felipe Campelo, Frederico G. Guimar\~aes and Jaime A. Ram\'irez
• Abstract要約: 進化アルゴリズムの収束と多様性を改善するためのコーン・エプシロン・マディナンス・アプローチ。 16のよく知られたベンチマーク問題が実験セクションで検討されている。 その結果,コーン-エプス-MOEAは,検討したすべてのパフォーマンス指標に対して,効率的かつバランスの取れた性能を示すことができることが示唆された。
• 参考スコア（独自算出の注目度）: 1.0323063834827413
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We propose the cone epsilon-dominance approach to improve convergence and diversity in multiobjective evolutionary algorithms (MOEAs). A cone-eps-MOEA is presented and compared with MOEAs based on the standard Pareto relation (NSGA-II, NSGA-II*, SPEA2, and a clustered NSGA-II) and on the epsilon-dominance (eps-MOEA). The comparison is performed both in terms of computational complexity and on four performance indicators selected to quantify the quality of the final results obtained by each algorithm: the convergence, diversity, hypervolume, and coverage of many sets metrics. Sixteen well-known benchmark problems are considered in the experimental section, including the ZDT and the DTLZ families. To evaluate the possible differences amongst the algorithms, a carefully designed experiment is performed for the four performance metrics. The results obtained suggest that the cone-eps-MOEA is capable of presenting an efficient and balanced performance over all the performance metrics considered. These results strongly support the conclusion that the cone-eps-MOEA is a competitive approach for obtaining an efficient balance between convergence and diversity to the Pareto front, and as such represents a useful tool for the solution of multiobjective optimization problems.
• Abstract（参考訳）: 本稿では,多目的進化アルゴリズム(moeas)の収束と多様性を改善するためのコーン・エプシロン・ドミナンス手法を提案する。 標準パレート関係(NSGA-II,NSGA-II*,SPEA2,クラスタ化NSGA-II)およびエプシロン支配(eps-MOEA)に基づいて、コーン-エピス-MOEAをMOEAと比較した。 この比較は、計算の複雑さと、各アルゴリズムによって得られた最終結果の質を定量化するために選択された4つのパフォーマンス指標、すなわち、多くの集合メトリクスの収束、多様性、ハイパーボリューム、カバレッジの両方において行われる。 ZDTやDTLZファミリーを含む16の有名なベンチマーク問題が実験室で検討されている。 アルゴリズム間の相違性を評価するため、4つの性能指標について慎重に設計した実験を行った。 その結果、コーン・エプス・MOEAは、考慮されたすべての性能指標に対して、効率的かつバランスの取れた性能を示すことができることが示唆された。 これらの結果は、コーン-エプス-MOEAは、パレートフロントへの収束と多様性の効率的なバランスを得るための競争的アプローチであり、多目的最適化問題の解決に有用なツールである、という結論を強く支持している。

関連論文リスト

• 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)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• 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)
• Batched Data-Driven Evolutionary Multi-Objective Optimization Based on Manifold Interpolation [6.560512252982714]
  バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。 オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。 提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
  論文  参考訳（メタデータ） (2021-09-12T23:54:26Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm for Constrained Global Optimization [68.8204255655161]
  EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。 これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。 その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
  論文  参考訳（メタデータ） (2020-07-09T10:19:22Z)
• Convergence of Meta-Learning with Task-Specific Adaptation over Partial Parameters [152.03852111442114]
  モデルに依存しないメタラーニング(MAML)は非常に成功したアルゴリズムメタラーニングの実践であるが、高い計算複雑性を持つ。 本稿では,その複雑さがANILの全体的な収束性能に大きく影響することを示す。
  論文  参考訳（メタデータ） (2020-06-16T19:57:48Z)
• Fast Objective & Duality Gap Convergence for Non-Convex Strongly-Concave Min-Max Problems with PL Condition [52.08417569774822]
  本稿では,深層学習(深層AUC)により注目度が高まっている,円滑な非凹部min-max問題の解法に焦点をあてる。
  論文  参考訳（メタデータ） (2020-06-12T00:32:21Z)
• Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization [0.0]
  本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。 MoHAEAは、MOEA/D、pa$lambda$-MOEA/D、MOEA/D-AWA、NSGA-IIの4つの状態と比較される。
  論文  参考訳（メタデータ） (2020-04-29T02:16:49Z)

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。