論文の概要: Decomposition-Based Multi-Objective Evolutionary Algorithm Design under
Two Algorithm Frameworks
- arxiv url: http://arxiv.org/abs/2008.07094v1
- Date: Mon, 17 Aug 2020 05:28:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 03:15:52.858362
- Title: Decomposition-Based Multi-Objective Evolutionary Algorithm Design under
Two Algorithm Frameworks
- Title（参考訳）: 2つのアルゴリズムフレームワークによる分解型多目的進化アルゴリズムの設計
- Authors: Lie Meng Pang, Hisao Ishibuchi and Ke Shang
- Abstract要約: 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。
- 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: The development of efficient and effective evolutionary multi-objective
optimization (EMO) algorithms has been an active research topic in the
evolutionary computation community. Over the years, many EMO algorithms have
been proposed. The existing EMO algorithms are mainly developed based on the
final population framework. In the final population framework, the final
population of an EMO algorithm is presented to the decision maker. Thus, it is
required that the final population produced by an EMO algorithm is a good
solution set. Recently, the use of solution selection framework was suggested
for the design of EMO algorithms. This framework has an unbounded external
archive to store all the examined solutions. A pre-specified number of
solutions are selected from the archive as the final solutions presented to the
decision maker. When the solution selection framework is used, EMO algorithms
can be designed in a more flexible manner since the final population is not
necessarily to be a good solution set. In this paper, we examine the design of
MOEA/D under these two frameworks. We use an offline genetic algorithm-based
hyper-heuristic method to find the optimal configuration of MOEA/D in each
framework. The DTLZ and WFG test suites and their minus versions are used in
our experiments. The experimental results suggest the possibility that a more
flexible, robust and high-performance MOEA/D algorithm can be obtained when the
solution selection framework is used.
- Abstract（参考訳）: 効率的な進化的多目的最適化(EMO)アルゴリズムの開発は、進化計算コミュニティにおいて活発な研究課題となっている。
長年にわたり、多くのEMOアルゴリズムが提案されてきた。
既存のEMOアルゴリズムは主に最終人口フレームワークに基づいて開発されている。
最終的な人口枠組では、emoアルゴリズムの最終人口が意思決定者に提示される。
したがって、EMOアルゴリズムによって生成される最終集団は良い解集合であることが要求される。
近年,EMOアルゴリズムの設計にソリューション選択フレームワークの利用が提案されている。
このフレームワークには、検査対象のソリューションをすべて格納する、無制限の外部アーカイブがある。
決定者に対して提示される最終ソリューションとして、事前に指定されたソリューションがアーカイブから選択される。
解選択フレームワークを使用する場合、最終集団が必ずしも良い解集合であるとは限らないので、より柔軟な方法でEMOアルゴリズムを設計することができる。
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。
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。
DTLZおよびWFGテストスイートとそのマイナスバージョンを実験で使用した。
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。
関連論文リスト
- 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 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) - 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) - ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。
既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。
本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
論文 参考訳（メタデータ） (2021-10-13T19:36:50Z) - Algorithm Selection on a Meta Level [58.720142291102135]
本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。
本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
論文 参考訳（メタデータ） (2021-07-20T11:23:21Z) - Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。
本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文 参考訳（メタデータ） (2021-01-05T03:55:04Z) - 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) - Algorithm Configurations of MOEA/D with an Unbounded External Archive [7.745468825770201]
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。
論文 参考訳（メタデータ） (2020-07-27T08:14:37Z) - 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) - sKPNSGA-II: Knee point based MOEA with self-adaptive angle for Mission
Planning Problems [2.191505742658975]
いくつかの問題には、多くの非支配的な解をもたらす多くの目的がある。
本稿では,最も重要な解を得るために設計された新しいアルゴリズムを提案する。
このアルゴリズムは無人航空機(UAV)ミッション計画問題における実世界の応用に応用されている。
論文 参考訳（メタデータ） (2020-02-20T17:07:08Z) - 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。