論文の概要: Exploring Constraint Handling Techniques in Real-world Problems on MOEA/D with Limited Budget of Evaluations

• arxiv url: http://arxiv.org/abs/2011.09722v1
• Date: Thu, 19 Nov 2020 08:51:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 20:59:07.734310
• Title: Exploring Constraint Handling Techniques in Real-world Problems on MOEA/D with Limited Budget of Evaluations
• Title（参考訳）: 限られた予算によるMOEA/Dの実環境問題における制約処理手法の探索
• Authors: Felipe Vaz, Yuri Lavinas, Claus Aranha and Marcelo Ladeira
• Abstract要約: 我々は,MOPソルバであるMOEA/Dに対する異なる制約処理技術(CHT)の効果を検討することに注力する。 我々は,決定空間である三段階罰則の探索に焦点をあてた,シンプルで効果的なCHTを導入する。 本研究の結果は,CHTが最良であるにもかかわらず,新たに提案した3段階罰則が競合する結果となることを示す。
• 参考スコア（独自算出の注目度）: 0.04588028371034406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finding good solutions for Multi-objective Optimization (MOPs) Problems is considered a hard problem, especially when considering MOPs with constraints. Thus, most of the works in the context of MOPs do not explore in-depth how different constraints affect the performance of MOP solvers. Here, we focus on exploring the effects of different Constraint Handling Techniques (CHTs) on MOEA/D, a commonly used MOP solver when solving complex real-world MOPs. Moreover, we introduce a simple and effective CHT focusing on the exploration of the decision space, the Three Stage Penalty. We explore each of these CHTs in MOEA/D on two simulated MOPs and six analytic MOPs (eight in total). The results of this work indicate that while the best CHT is problem-dependent, our new proposed Three Stage Penalty achieves competitive results and remarkable performance in terms of hypervolume values in the hard simulated car design MOP.
• Abstract（参考訳）: 多目的最適化(MOP)問題に対する優れた解を見つけることは、特に制約のあるMOPを考える場合、難しい問題と考えられる。 したがって、mopのコンテキストにおけるほとんどの作業は、異なる制約がmopソルバのパフォーマンスにどのように影響するかを深く調べていない。 ここでは、複雑な実世界のMOPを解く際によく用いられるMOEA/Dに対する異なる制約処理技術(CHT)の効果について検討する。 さらに,決定空間である三段階罰則の探索に焦点を当てた簡易かつ効果的なCHTを導入する。 これらのCHTをMOEA/Dで2つの模擬MOPと6つの解析MOP(合計8つ)で探索する。 本研究の結果は,最も優れたCHTは問題依存であるが,本提案の3段階罰則は,ハードシミュレートカー設計のMOPにおける超体積値の競争結果と顕著な性能を達成できることを示す。

関連論文リスト

• Exploring Knowledge Boundaries in Large Language Models for Retrieval Judgment [56.87031484108484]
  大規模言語モデル(LLM)は、その実践的応用でますます認識されている。 Retrieval-Augmented Generation (RAG)はこの課題に取り組み、LLMに大きな影響を与えている。 中立あるいは有害な結果をもたらす検索要求を最小化することにより、時間と計算コストの両方を効果的に削減できる。
  論文  参考訳（メタデータ） (2024-11-09T15:12:28Z)
• EVOLvE: Evaluating and Optimizing LLMs For Exploration [76.66831821738927]
  大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。 多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。 最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T17:54:03Z)
• MG-Net: Learn to Customize QAOA with Circuit Depth Awareness [51.78425545377329]
  量子近似最適化アルゴリズム(QAOA)とその変種は、最適化問題に対処する大きな可能性を示している。 良好な性能を実現するために必要な回路深度は問題固有であり、しばしば現在の量子デバイスの最大容量を超える。 ミキサジェネレータネットワーク (MG-Net) は, 最適ミキサハミルトニアンを動的に定式化するための統合ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2024-09-27T12:28:18Z)
• MMMU-Pro: A More Robust Multi-discipline Multimodal Understanding Benchmark [77.93283927871758]
  本稿では,Multi-discipline Multi-modal Understanding and Reasoningベンチマークの頑健なバージョンであるMMMU-Proを紹介する。 MMMU-Proは、マルチモーダルモデルの真の理解と推論能力を厳格に評価する。
  論文  参考訳（メタデータ） (2024-09-04T15:31:26Z)
• In Search for Architectures and Loss Functions in Multi-Objective Reinforcement Learning [0.6650227510403052]
  多目的強化学習(MORL)は実世界のRL問題の複雑さに対処するために不可欠である。 MORLは、深層学習に基づく関数近似器による不安定な学習ダイナミクスのために困難である。 我々の研究は、モデルフリーのポリシー学習損失関数と異なるアーキテクチャ選択の影響を実証的に探求する。
  論文  参考訳（メタデータ） (2024-07-23T19:17:47Z)
• Insights into Alignment: Evaluating DPO and its Variants Across Multiple Tasks [38.63497972682599]
  本研究では,3つのシナリオにまたがるアライメント手法の性能について検討した。 我々の評価は、対話システム、推論、数学的問題解決、質問応答、真理性、マルチタスク理解など、幅広いタスクにまたがる。 重要な観察では、アライメント手法は、より小さなトレーニングデータサブセットで最適なパフォーマンスを達成し、推論タスクにおいて限られた効果を示すが、数学的問題解決には著しく影響し、特に真理性に影響を及ぼす命令付きモデルを用いることが示されている。
  論文  参考訳（メタデータ） (2024-04-23T03:55:01Z)
• Diversifying the Mixture-of-Experts Representation for Language Models with Orthogonal Optimizer [59.43462055143123]
  The Mixture of Experts (MoE)は、ディープラーニングにおいて非常に成功したテクニックとして登場した。 本研究では,MoEの専門家が多様性の専門化や欠如に失敗した同質表現問題に光を当てた。 我々は,各専門家が他の専門家に分散された部分空間への方向を更新するように促す訓練戦略を交互に提案する。
  論文  参考訳（メタデータ） (2023-10-15T07:20:28Z)
• Hybridization of evolutionary algorithm and deep reinforcement learning for multi-objective orienteering optimization [16.23652137705642]
  多目的オリエンテーリング問題(MO-OP)は、古典的な多目的ルーティング問題である。 本研究は,MO-OPを問題分解フレームワークを用いて解くことを目的とする。
  論文  参考訳（メタデータ） (2022-06-21T15:20:42Z)
• An Instance Space Analysis of Constrained Multi-Objective Optimization Problems [1.314903445595385]
  我々は,制約付き多目的進化アルゴリズム(CMOEA)の性能とCMOPインスタンス特性の関係について,ISA(インスタンス空間解析)を用いて検討する。 6つのCMOPベンチマークスイートと15のCMOEAにまたがる問題アルゴリズムのフットプリントを詳細に評価する。 我々は、非支配的集合の分離と制約と目的の進化可能性の相関という2つの重要な特徴が、アルゴリズムの性能に最も大きな影響を与えると結論付けた。
  論文  参考訳（メタデータ） (2022-03-02T04:28:11Z)
• Pareto Optimization for Subset Selection with Dynamic Partition Matroid Constraints [16.691265882753346]
  分割マトロイド制約下でのサブモジュラーあるいはモノトーン目的関数による部分集合選択問題について検討する。 このような問題に対して有効であることを示す単純な最適化手法であるPOMCに焦点をあてる。 我々の分析は特異な制約問題から分離し、複数の制約の問題にまで拡張する。
  論文  参考訳（メタデータ） (2020-12-16T04:27:45Z)
• Soft Hindsight Experience Replay [77.99182201815763]
  ソフト・ハイドサイト・エクスペリエンス・リプレイ(SHER)は,HERと最大エントロピー強化学習(MERL)に基づく新しいアプローチである オープンAIロボット操作タスクにおけるSHERの評価を行った。
  論文  参考訳（メタデータ） (2020-02-06T03:57:04Z)

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。