論文の概要: AT-MFCGA: An Adaptive Transfer-guided Multifactorial Cellular Genetic
Algorithm for Evolutionary Multitasking
- arxiv url: http://arxiv.org/abs/2010.03917v2
- Date: Mon, 3 May 2021 13:55:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 11:39:31.567389
- Title: AT-MFCGA: An Adaptive Transfer-guided Multifactorial Cellular Genetic
Algorithm for Evolutionary Multitasking
- Title（参考訳）: AT-MFCGA:進化的マルチタスクのための適応トランスファー誘導多因子細胞遺伝アルゴリズム
- Authors: Eneko Osaba, Javier Del Ser, Aritz D. Martinez, Jesus L. Lobo and
Francisco Herrera
- Abstract要約: 本稿では,進化的マルチタスク環境を扱うための適応メタヒューリスティックアルゴリズムを提案する。
AT-MFCGAはセルラーオートマトンを利用して、検討中の最適化問題の知識を交換する機構を実装している。
- 参考スコア（独自算出の注目度）: 17.120962133525225
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transfer Optimization is an incipient research area dedicated to solving
multiple optimization tasks simultaneously. Among the different approaches that
can address this problem effectively, Evolutionary Multitasking resorts to
concepts from Evolutionary Computation to solve multiple problems within a
single search process. In this paper we introduce a novel adaptive
metaheuristic algorithm to deal with Evolutionary Multitasking environments
coined as Adaptive Transfer-guided Multifactorial Cellular Genetic Algorithm
(AT-MFCGA). AT-MFCGA relies on cellular automata to implement mechanisms in
order to exchange knowledge among the optimization problems under
consideration. Furthermore, our approach is able to explain by itself the
synergies among tasks that were encountered and exploited during the search,
which helps us to understand interactions between related optimization tasks. A
comprehensive experimental setup is designed to assess and compare the
performance of AT-MFCGA to that of other renowned evolutionary multitasking
alternatives (MFEA and MFEA-II). Experiments comprise 11 multitasking scenarios
composed of 20 instances of 4 combinatorial optimization problems, yielding the
largest discrete multitasking environment solved to date. Results are
conclusive in regard to the superior quality of solutions provided by AT-MFCGA
with respect to the rest of the methods, which are complemented by a
quantitative examination of the genetic transferability among tasks throughout
the search process.
- Abstract（参考訳）: 転送最適化は、複数の最適化タスクを同時に解くことに特化した初期研究領域である。
この問題に効果的に対処できる様々なアプローチの中で、進化的マルチタスクは、進化的計算の概念を利用して、1つの探索プロセス内で複数の問題を解決する。
本稿では,Adaptive Transfer-guided Multifactorial Cellular Genetic Algorithm (AT-MFCGA) と呼ばれる進化的マルチタスク環境を扱う適応メタヒューリスティックアルゴリズムを提案する。
AT-MFCGAはセルラーオートマトンを利用して最適化問題の知識を交換する機構を実装している。
さらに,本手法は,検索中に遭遇したタスク間の相乗効果を自己説明し,関連する最適化タスク間の相互作用を理解するのに役立つ。
総合的な実験装置は、AT-MFCGAと他の有名な進化的マルチタスク(MFEAとMFEA-II)の性能を評価し比較するために設計されている。
実験は4つの組合せ最適化問題の20のインスタンスからなる11のマルチタスクシナリオで構成されており、これまでで最大の離散的マルチタスク環境となっている。
結果は,AT-MFCGAが提供する解の質の良さに関して決定的であり,検索プロセス全体での課題間の遺伝的伝達性の定量的検討によって補完される。
関連論文リスト
- Towards Multi-Objective High-Dimensional Feature Selection via
Evolutionary Multitasking [63.91518180604101]
本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。
タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
論文 参考訳（メタデータ） (2024-01-03T06:34:39Z) - Effective Mutation Rate Adaptation through Group Elite Selection [50.88204196504888]
本稿では,GESMR(Group Elite Selection of Mutation Rates)アルゴリズムを提案する。
GESMRは解の集団とMRの集団を共進化させ、各MRは解群に割り当てられる。
同じ数の関数評価とオーバーヘッドのほとんどないGESMRは、以前のアプローチよりも早く、より良いソリューションに収束する。
論文 参考訳（メタデータ） (2022-04-11T01:08:26Z) - 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) - 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) - 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) - On the Transferability of Knowledge among Vehicle Routing Problems by
using Cellular Evolutionary Multitasking [6.943742860591444]
この研究は、最近提案されたMFCGA(Multifactorial Cellular Genetic Algorithm)のキャパシタントカールーティング問題(CVRP)への適用に焦点を当てている。
この研究の貢献は2つあるが、一方、MFCGAの自動車ルーティング問題ファミリーへの最初の応用である。他方、問題インスタンス間の正の遺伝伝達可能性の定量的解析に焦点をあてた第2の貢献は、同様に興味深い。
論文 参考訳（メタデータ） (2020-05-11T12:58:00Z) - dMFEA-II: An Adaptive Multifactorial Evolutionary Algorithm for
Permutation-based Discrete Optimization Problems [6.943742860591444]
本稿では、最近導入されたMFEA-II(Multifactorial Evolutionary Algorithm II)を、置換に基づく離散環境に適用する。
提案手法の性能を5種類のマルチタスク設定で評価した。
論文 参考訳（メタデータ） (2020-04-14T14:42:47Z) - COEBA: A Coevolutionary Bat Algorithm for Discrete Evolutionary
Multitasking [9.54239662772307]
マルチタスク環境を扱うための新しいアルゴリズムスキームを提案する。
提案手法はCoevolutionary Bat Algorithmと呼ばれ、共進化的戦略とメタヒューリスティックなBat Algorithmの両方から着想を得た。
論文 参考訳（メタデータ） (2020-03-24T13:37:43Z) - Multifactorial Cellular Genetic Algorithm (MFCGA): Algorithmic Design,
Performance Comparison and Genetic Transferability Analysis [17.120962133525225]
多目的最適化は先進的な研究領域であり、近年顕著な研究の勢いを増している。
本稿では,多因子最適化シナリオのための新しいアルゴリズムスキームを提案する。
提案したMFCGAはセルオートマタの概念に基づいて,問題間の知識交換機構を実装している。
論文 参考訳（メタデータ） (2020-03-24T11:03:55Z) - 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。