論文の概要: Multi-Level Evolution Strategies for High-Resolution Black-Box Control
- arxiv url: http://arxiv.org/abs/2010.01524v1
- Date: Sun, 4 Oct 2020 09:24:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 03:23:16.449519
- Title: Multi-Level Evolution Strategies for High-Resolution Black-Box Control
- Title(参考訳): 高分解能ブラックボックス制御のためのマルチレベル進化戦略
- Authors: Ofer M. Shir and Xi Xing and Herschel Rabitz
- Abstract要約: 本稿では進化戦略(ES)にマルチレベル(m-lev)機構を導入する。
これは、決定変数の詳細な離散化の恩恵を受けることができる、グローバルな最適化問題のクラスに対処する。
- 参考スコア(独自算出の注目度): 0.2320417845168326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces a multi-level (m-lev) mechanism into Evolution
Strategies (ESs) in order to address a class of global optimization problems
that could benefit from fine discretization of their decision variables. Such
problems arise in engineering and scientific applications, which possess a
multi-resolution control nature, and thus may be formulated either by means of
low-resolution variants (providing coarser approximations with presumably lower
accuracy for the general problem) or by high-resolution controls. A particular
scientific application concerns practical Quantum Control (QC) problems, whose
targeted optimal controls may be discretized to increasingly higher resolution,
which in turn carries the potential to obtain better control yields. However,
state-of-the-art derivative-free optimization heuristics for high-resolution
formulations nominally call for an impractically large number of objective
function calls. Therefore, an effective algorithmic treatment for such problems
is needed. We introduce a framework with an automated scheme to facilitate
guided-search over increasingly finer levels of control resolution for the
optimization problem, whose on-the-fly learned parameters require careful
adaptation. We instantiate the proposed m-lev self-adaptive ES framework by two
specific strategies, namely the classical elitist single-child (1+1)-ES and the
non-elitist multi-child derandomized $(\mu_W,\lambda)$-sep-CMA-ES. We first
show that the approach is suitable by simulation-based optimization of QC
systems which were heretofore viewed as too complex to address. We also present
a laboratory proof-of-concept for the proposed approach on a basic experimental
QC system objective.
- Abstract(参考訳): 本稿では,マルチレベル(m-lev)機構を進化戦略(ess)に導入し,決定変数の細分化の利点を生かした大域的最適化問題に対処する。
このような問題は、マルチレゾリューション制御の性質を持ち、低レゾリューション変種(一般的な問題に対しておそらくより低い精度で粗い近似を与える)または高レゾリューション制御によって定式化できる工学的および科学的応用において生じる。
特定の科学的応用は実用的量子制御(QC)問題に関係しており、対象とする最適制御はより高解像度に識別され、結果としてより良い制御収が得られる可能性がある。
しかし、高分解能な定式化のための最先端の微分自由最適化ヒューリスティックスは、無数に多くの目的関数呼び出しを名指しで呼び出す。
そのため,このような問題に対する効果的なアルゴリズム処理が必要である。
本稿では,最適化問題に対して,より詳細な制御解決を行う上でのガイド付き検索を容易にするためのフレームワークを提案する。
提案する m-lev 自己適応型 ES フレームワークを,古典的エリート主義的シングルチャイルド (1+1)-ES と非エリート型マルチチャイルドデランドマイズ $(\mu_W,\lambda)$-sep-CMA-ES の2つの戦略によりインスタンス化する。
提案手法は,従来は複雑すぎると考えられていたQCシステムのシミュレーションに基づく最適化に適していることを示す。
また,提案手法に対する基礎実験QCシステム目標に対する概念実証について述べる。
関連論文リスト
- Sample-Efficient Multi-Agent RL: An Optimization Perspective [103.35353196535544]
一般関数近似に基づく汎用マルコフゲーム(MG)のためのマルチエージェント強化学習(MARL)について検討した。
汎用MGに対するマルチエージェントデカップリング係数(MADC)と呼ばれる新しい複雑性尺度を導入する。
我々のアルゴリズムは既存の研究に匹敵するサブリニアな後悔を与えることを示す。
論文 参考訳(メタデータ) (2023-10-10T01:39:04Z) - 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) - Pontryagin Optimal Control via Neural Networks [19.546571122359534]
我々は,ニューラルネットワークをポントリャーギンの最大原理(PMP)と統合し,NN-PMP-Gradient の効率的なフレームワークを提案する。
結果として生じるコントローラは、未知の複雑な力学を持つシステムに実装することができる。
モデルフリーおよびモデルベース強化学習(RL)アルゴリズムと比較して, NN-PMP-Gradientは, 制御目的の観点から高いサンプル効率と性能を実現する。
論文 参考訳(メタデータ) (2022-12-30T06:47:03Z) - Multi-surrogate Assisted Efficient Global Optimization for Discrete
Problems [0.9127162004615265]
本稿では、離散的な問題を解くために、複数のシミュレーションベースの代理モデルの同時利用の可能性について検討する。
以上の結果から,SAMA-DiEGOはテスト問題の大部分において,より優れた解に迅速に収束できることが示唆された。
論文 参考訳(メタデータ) (2022-12-13T09:10:08Z) - Learning Adaptive Evolutionary Computation for Solving Multi-Objective
Optimization Problems [3.3266268089678257]
本稿では, 深層強化学習(DRL)を用いた適応パラメータ制御とMOEAを統合したフレームワークを提案する。
DRLポリシは、最適化中のソリューションに対する突然変異の強度と確率を決定する値を適応的に設定するように訓練されている。
学習されたポリシーは転送可能であることを示す。つまり、単純なベンチマーク問題で訓練されたポリシーは、複雑な倉庫最適化問題を解決するために直接適用可能である。
論文 参考訳(メタデータ) (2022-11-01T22:08:34Z) - Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。
シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
論文 参考訳(メタデータ) (2022-09-15T07:22:58Z) - Multi-Agent Deep Reinforcement Learning in Vehicular OCC [14.685237010856953]
我々は車載OCCにおけるスペクトル効率最適化手法を提案する。
我々は最適化問題をマルコフ決定プロセス(MDP)としてモデル化し、オンラインで適用可能なソリューションの利用を可能にする。
提案手法の性能を広範囲なシミュレーションにより検証し,提案手法の様々な変種とランダムな手法との比較を行った。
論文 参考訳(メタデータ) (2022-05-05T14:25:54Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z) - SUPER-ADAM: Faster and Universal Framework of Adaptive Gradients [99.13839450032408]
一般的な問題を解決するための適応アルゴリズムのための普遍的な枠組みを設計することが望まれる。
特に,本フレームワークは,非収束的設定支援の下で適応的手法を提供する。
論文 参考訳(メタデータ) (2021-06-15T15:16:28Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T12:38:21Z) - Simplified Swarm Optimization for Bi-Objection Active Reliability
Redundancy Allocation Problems [1.5990720051907859]
信頼性冗長性割り当て問題(RRAP)は、システム設計、開発、管理においてよく知られた問題である。
本研究では, コスト制約を新たな目標として変更することにより, 両対象RRAPを定式化する。
提案課題を解決するために,ペナルティ関数を備えた新しい簡易スワム最適化 (SSO) ,実効1型ソリューション構造,数値ベースの自己適応型新しい更新機構,制約付き非支配型ソリューション選択,および新しいpBest代替ポリシーを開発した。
論文 参考訳(メタデータ) (2020-06-17T13:15:44Z)
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。