論文の概要: Real-valued Evolutionary Multi-modal Multi-objective Optimization by
Hill-Valley Clustering
- arxiv url: http://arxiv.org/abs/2010.14998v1
- Date: Wed, 28 Oct 2020 14:12:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 05:19:43.605171
- Title: Real-valued Evolutionary Multi-modal Multi-objective Optimization by
Hill-Valley Clustering
- Title(参考訳): Hill-Valleyクラスタリングによる進化的マルチモーダル多目的最適化
- Authors: S. C. Maree, T. Alderliesten, P. A. N. Bosman
- Abstract要約: 我々は、多目的ヒルバレークラスタリングを導入し、それを多目的ヒルバレーEA(MO-HillVallEA)にMAMaLGaMと組み合わせる。
我々は,MO-HillVallEAがベンチマーク関数の集合上でMAMaLGaMや他のよく知られた多目的最適化アルゴリズムより優れていることを実証的に示す。
- 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: In model-based evolutionary algorithms (EAs), the underlying search
distribution is adapted to the problem at hand, for example based on
dependencies between decision variables. Hill-valley clustering is an adaptive
niching method in which a set of solutions is clustered such that each cluster
corresponds to a single mode in the fitness landscape. This can be used to
adapt the search distribution of an EA to the number of modes, exploring each
mode separately. Especially in a black-box setting, where the number of modes
is a priori unknown, an adaptive approach is essential for good performance. In
this work, we introduce multi-objective hill-valley clustering and combine it
with MAMaLGaM, a multi-objective EA, into the multi-objective hill-valley EA
(MO-HillVallEA). We empirically show that MO-HillVallEA outperforms MAMaLGaM
and other well-known multi-objective optimization algorithms on a set of
benchmark functions. Furthermore, and perhaps most important, we show that
MO-HillVallEA is capable of obtaining and maintaining multiple approximation
sets simultaneously over time.
- Abstract(参考訳): モデルベース進化アルゴリズム(eas)では、例えば決定変数間の依存関係に基づいて、基礎となる探索分布が問題に適応される。
hill-valleyクラスタリングは適応型ニチング手法であり、各クラスタが適合環境において単一のモードに対応するように解の集合をクラスタ化する。
これにより、eaの検索分布をモード数に適応させ、各モードを別々に探索することができる。
特にモードの数が未定のブラックボックス設定では、適応的なアプローチが優れたパフォーマンスに不可欠である。
本研究では,多目的ヒルバレークラスタリングを導入し,多目的ヒルバレーEA(MO-HillVallEA)にMAMaLGaMと組み合わせる。
我々は,MO-HillVallEAがベンチマーク関数の集合上でMAMaLGaMや他のよく知られた多目的最適化アルゴリズムより優れていることを示す。
さらに,おそらく最も重要なのは,mo-hillvallea が時間とともに複数の近似集合を同時に獲得し,維持できることである。
関連論文リスト
- Decoding-Time Language Model Alignment with Multiple Objectives [116.42095026960598]
既存の手法は主に、1つの報酬関数に対してLMを最適化することに集中し、それらの適応性は様々な目的に制限される。
本稿では,予測の線形結合から次のトークンを出力する復号時間アルゴリズムである$textbfmulti-objective decoding (MOD)$を提案する。
提案手法は, 自然条件下であっても, 既存のアプローチが準最適であることを示すとともに, 提案手法の最適性を保証する。
論文 参考訳(メタデータ) (2024-06-27T02:46:30Z) - 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) - Late Fusion Multi-view Clustering via Global and Local Alignment
Maximization [61.89218392703043]
マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。
既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。
これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
論文 参考訳(メタデータ) (2022-08-02T01:49:31Z) - Pareto Set Learning for Neural Multi-objective Combinatorial
Optimization [6.091096843566857]
多目的最適化(MOCO)の問題は、現実世界の多くのアプリケーションで見られる。
我々は,与えられたMOCO問題に対するパレート集合全体を,探索手順を伴わずに近似する学習ベースアプローチを開発した。
提案手法は,多目的走行セールスマン問題,マルチコンディショニング車両ルーティング問題,複数クナップサック問題において,ソリューションの品質,速度,モデル効率の面で,他の方法よりも優れていた。
論文 参考訳(メタデータ) (2022-03-29T09:26:22Z) - Obtaining Smoothly Navigable Approximation Sets in Bi-Objective
Multi-Modal Optimization [0.0]
MM-BezEAは、個々のニッチをカバーし、固有の決定空間の滑らかさを示す近似セットを生成する。
MM-BezEAは最高の超体積の点で最高の性能を示した。
論文 参考訳(メタデータ) (2022-03-17T10:05:54Z) - 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) - Conjugate Mixture Models for Clustering Multimodal Data [24.640116037967985]
マルチモーダルクラスタリングの問題は、データが物理的に異なるセンサーで収集されるたびに発生する。
マルチモーダルクラスタリングは,新しいフレームワーク,すなわち共役混合モデル内で対処できることを示す。
論文 参考訳(メタデータ) (2020-12-09T10:13:22Z) - Provable Multi-Objective Reinforcement Learning with Generative Models [98.19879408649848]
目的の選好から最適な政策を学習する単一政策 MORL の問題について検討する。
既存の方法は、多目的決定プロセスの正確な知識のような強い仮定を必要とする。
モデルベースエンベロップ値 (EVI) と呼ばれる新しいアルゴリズムを提案し, 包含された多目的$Q$学習アルゴリズムを一般化する。
論文 参考訳(メタデータ) (2020-11-19T22:35:31Z) - Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization [0.0]
本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。
MoHAEAは、MOEA/D、pa$lambda$-MOEA/D、MOEA/D-AWA、NSGA-IIの4つの状態と比較される。
論文 参考訳(メタデータ) (2020-04-29T02:16:49Z) - GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal
Black Box Constraint Satisfaction [69.94831587339539]
本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。
我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
論文 参考訳(メタデータ) (2020-02-17T20:21:20Z)
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。