論文の概要: Exploiting Local Optimality in Metaheuristic Search
- arxiv url: http://arxiv.org/abs/2010.05394v3
- Date: Wed, 21 Oct 2020 13:45:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 07:07:55.092667
- Title: Exploiting Local Optimality in Metaheuristic Search
- Title（参考訳）: メタヒューリスティック検索における局所最適解法
- Authors: Fred Glover
- Abstract要約: 本稿では,適応型メモリメタヒューリスティックを用いて,ソリューション履歴の有用な特徴を特定し,活用するための戦略を導入する。
提案手法は指数外挿という構造に基づく新しい適応型メモリを用いる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A variety of strategies have been proposed for overcoming local optimality in
metaheuristic search. This paper examines characteristics of moves that can be
exploited to make good decisions about steps that lead away from a local
optimum and then lead toward a new local optimum. We introduce strategies to
identify and take advantage of useful features of solution history with an
adaptive memory metaheuristic, to provide rules for selecting moves that offer
promise for discovering improved local optima.
Our approach uses a new type of adaptive memory based on a construction
called exponential extrapolation. The memory operates by means of threshold
inequalities that ensure selected moves will not lead to a specified number of
most recently encountered local optima. Associated thresholds are embodied in
choice rule strategies that further exploit the exponential extrapolation
concept. Together these produce a threshold based Alternating Ascent (AA)
algorithm that opens a variety of research possibilities for exploration.
- Abstract（参考訳）: メタヒューリスティック検索における局所最適性を克服するための様々な戦略が提案されている。
本稿では,局所最適から離れて新たな局所最適へ導くステップについて,適切な判断を下すために活用できる移動の特性について検討する。
我々は,アダプティブメモリメタヒューリスティックを用いて,ソリューションヒストリーの有用な特徴を識別し,活用するための戦略を導入し,局所視能の向上を期待する動きを選択するためのルールを提供する。
提案手法は指数外挿と呼ばれる構成に基づく新しいタイプの適応メモリを用いる。
メモリはしきい値の不等式によって動作し、選択された動きが、最近遭遇したローカルオプティマの指定された回数に繋がらない。
関連するしきい値は、指数外挿の概念をさらに活用する選択規則戦略に具体化されている。
これらのアルゴリズムはしきい値に基づく Alternating Ascent (AA) アルゴリズムを生成し、探索のための様々な研究可能性を開く。
関連論文リスト
- An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Discovering Preference Optimization Algorithms with and for Large Language Models [50.843710797024805]
オフライン優先最適化は、LLM(Large Language Model)出力の品質を向上・制御するための重要な手法である。
我々は、人間の介入なしに、新しい最先端の選好最適化アルゴリズムを自動で発見する客観的発見を行う。
実験は、ロジスティックと指数的損失を適応的にブレンドする新しいアルゴリズムであるDiscoPOPの最先端性能を示す。
論文 参考訳（メタデータ） (2024-06-12T16:58:41Z) - Localized Zeroth-Order Prompt Optimization [54.964765668688806]
そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。
ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。
注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
論文 参考訳（メタデータ） (2024-03-05T14:18:15Z) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳（メタデータ） (2023-07-25T09:45:47Z) - The Behavior and Convergence of Local Bayesian Optimization [20.568490114736818]
局所最適化戦略は、従来のグローバル戦略と比較して高次元問題に対して強い経験的性能をもたらすことができる。
まず,局所的なアプローチの挙動を考察し,ガウス過程のサンプルパスの個々の局所解の統計値が,グローバルな手法から得られるであろうものと比較して驚くほど良好であることを示す。
論文 参考訳（メタデータ） (2023-05-24T21:11:49Z) - Online Joint Assortment-Inventory Optimization under MNL Choices [14.530542487845732]
本稿では,MNL(Multinomial Logit)選択モデルに従えば,各顧客の選択行動が従うと仮定する,オンラインジョイント・アソート・インベントリ最適化問題について考察する。
本稿では,オンラインの品揃えと在庫の意思決定における探索と搾取を効果的にバランスさせる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-04T09:25:34Z) - Adversarial Option-Aware Hierarchical Imitation Learning [89.92994158193237]
提案するOption-GAILは,遠隔地平線でスキルを学ぶための新しい手法である。
Option-GAILの鍵となる考え方は、タスク階層をオプションでモデル化し、生成的敵最適化を通じてポリシーを訓練することである。
実験によると、Option-GAILはさまざまなタスクにおいて、他のタスクよりも一貫してパフォーマンスが向上している。
論文 参考訳（メタデータ） (2021-06-10T06:42:05Z) - Approximation Guarantees of Local Search Algorithms via Localizability
of Set Functions [9.89901717499058]
局所探索は基本的なアルゴリズムであり、様々な最適化問題に広く利用されている。
ローカライズ可能性の観点から,様々な制約の下で,標準的な局所探索アルゴリズムの近似保証を提供する。
本フレームワークの主な用途はスパース最適化であり, 強い凹凸や目的関数の滑らかさの制限は局所性を意味することを示す。
論文 参考訳（メタデータ） (2020-06-02T05:37:52Z) - Localized active learning of Gaussian process state space models [63.97366815968177]
多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。
本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。
モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
論文 参考訳（メタデータ） (2020-05-04T05:35:02Z) - Learning to be Global Optimizer [28.88646928299302]
いくつかのベンチマーク関数に対して最適なネットワークとエスケープ能力アルゴリズムを学習する。
学習したアルゴリズムは、よく知られた古典最適化アルゴリズムよりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2020-03-10T03:46:25Z)
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。