論文の概要: A Niching Indicator-Based Multi-modal Many-objective Optimizer

• arxiv url: http://arxiv.org/abs/2010.00236v1
• Date: Thu, 1 Oct 2020 07:45:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 07:35:38.353768
• Title: A Niching Indicator-Based Multi-modal Many-objective Optimizer
• Title（参考訳）: ニッチ指標に基づくマルチモーダル多目的最適化
• Authors: Ryoji Tanabe and Hisao Ishibuchi
• Abstract要約: 目的の数が3以上であるマルチモーダル多目的最適化の効率的な方法は存在しない。 本稿では,ニッチインジケータに基づくマルチモーダル多目的・多目的最適化アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 7.81768535871051
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-modal multi-objective optimization is to locate (almost) equivalent Pareto optimal solutions as many as possible. Some evolutionary algorithms for multi-modal multi-objective optimization have been proposed in the literature. However, there is no efficient method for multi-modal many-objective optimization, where the number of objectives is more than three. To address this issue, this paper proposes a niching indicator-based multi-modal multi- and many-objective optimization algorithm. In the proposed method, the fitness calculation is performed among a child and its closest individuals in the solution space to maintain the diversity. The performance of the proposed method is evaluated on multi-modal multi-objective test problems with up to 15 objectives. Results show that the proposed method can handle a large number of objectives and find a good approximation of multiple equivalent Pareto optimal solutions. The results also show that the proposed method performs significantly better than eight multi-objective evolutionary algorithms.
• Abstract（参考訳）: マルチモーダル多目的最適化は、可能な限り(ほぼ)同等のパレート最適解を見つけることである。 マルチモーダル多目的最適化のための進化的アルゴリズムが文献で提案されている。 しかし、目的の数が3以上であるマルチモーダル多目的最適化の効率的な方法は存在しない。 本稿では,ニチングインジケータに基づくマルチモーダル多目的最適化アルゴリズムを提案する。 提案手法では, 子どもと, ソリューション空間の最も近い個人の間で, フィットネス計算を行い, 多様性を維持する。 提案手法の性能は,最大15目的のマルチモーダル多目的テストにおいて評価された。 その結果,提案手法は多数の目的を処理でき,複数の等価パレート最適解のよい近似を求めることができることがわかった。 また,提案手法は8つの多目的進化アルゴリズムよりも有意に優れた性能を示す。

関連論文リスト

• Deep Pareto Reinforcement Learning for Multi-Objective Recommender Systems [60.91599969408029]
  複数の目的を同時に最適化することは、レコメンデーションプラットフォームにとって重要なタスクです。 既存の多目的推薦システムは、そのような動的な関係を体系的に考慮していない。
  論文  参考訳（メタデータ） (2024-07-04T02:19:49Z)
• mDPO: Conditional Preference Optimization for Multimodal Large Language Models [52.607764280030196]
  直接選好最適化(DPO)は,大規模言語モデル(LLM)のアライメントに有効な手法であることが示されている。 最近の研究は、DPOをマルチモーダルシナリオに適用しようと試みているが、一貫した改善を達成することは困難である。 画像の嗜好を最適化することで、言語のみの嗜好の過度な優先順位付けを防止するマルチモーダルDPOであるmDPOを提案する。
  論文  参考訳（メタデータ） (2024-06-17T17:59:58Z)
• Few for Many: Tchebycheff Set Scalarization for Many-Objective Optimization [14.355588194787073]
  多目的最適化は、競合する目的を1つのソリューションで最適化できない現実の多くのアプリケーションで見られる。 本稿では,多数の目的をカバーできるいくつかの代表解を見つけるために,新しいTchebycheff集合スカラー化法を提案する。 このようにして、それぞれの目的は、小さな解集合の少なくとも1つの解によってうまく対応できる。
  論文  参考訳（メタデータ） (2024-05-30T03:04:57Z)
• 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 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)
• An Analysis of Phenotypic Diversity in Multi-Solution Optimization [118.97353274202749]
  マルチモーダル最適化は高い適合性ソリューションを生み出し、品質の多様性は遺伝的中立性に敏感ではない。 オートエンコーダは表現型特徴を自動的に発見するために使用され、品質の多様性を備えたさらに多様なソリューションセットを生成する。
  論文  参考訳（メタデータ） (2021-05-10T10:39:03Z)
• 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)
• A Review of Evolutionary Multi-modal Multi-objective Optimization [7.81768535871051]
  マルチモーダル多目的最適化は2005年から進化計算コミュニティで研究されている。 個別に実施され、マルチモーダル多目的最適化(multi-modal multi-jective optimization)という用語を明示的に使用していないため、既存の研究を調査することは困難である。
  論文  参考訳（メタデータ） (2020-09-28T14:14:36Z)
• 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)
• Pareto Multi-Task Learning [53.90732663046125]
  マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。 異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。 近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
  論文  参考訳（メタデータ） (2019-12-30T08:58:40Z)

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。