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
- Robust Analysis of Multi-Task Learning on a Complex Vision System [73.65915899030895]
マルチタスク学習(MTL)は過去10年間に広く研究されてきた。
複雑な実世界のシナリオにおけるパフォーマンスについて、まだ深く理解されていない。
論文 参考訳(メタデータ) (2024-02-05T22:15:55Z) - Diversifying the Mixture-of-Experts Representation for Language Models
with Orthogonal Optimizer [62.41501243027603]
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,エキスパートエンティティであるOMoEという,単純かつ高効率なソリューションを提案する。
論文 参考訳(メタデータ) (2023-10-15T07:20:28Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳(メタデータ) (2023-10-08T23:39:38Z) - Faster Stochastic Variance Reduction Methods for Compositional MiniMax
Optimization [50.10952609321302]
合成ミニマックス最適化は、さまざまな機械学習領域において重要な課題である。
構成最小最適化の現在の方法は、最適以下の複雑さや、大きなバッチサイズに大きく依存することによって悩まされている。
本稿では,Nested STOchastic Recursive Momentum (NSTORM)と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2023-08-18T14:57:21Z) - UNIFY: a Unified Policy Designing Framework for Solving Constrained
Optimization Problems with Machine Learning [18.183339583346005]
複雑な意思決定問題に対するソリューションポリシーを設計するための統一的な枠組みを提案する。
我々のアプローチは、制約のないMLモデルとCO問題という2つの段階におけるポリシーの巧妙な分解に依存している。
本手法の有効性を,エネルギー管理システムと包括的要件付き集合マルチカバーの2つの実践的問題に対して示す。
論文 参考訳(メタデータ) (2022-10-25T14:09:24Z) - 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) - 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) - FACMAC: Factored Multi-Agent Centralised Policy Gradients [103.30380537282517]
FACtored Multi-Agent Centralized Policy gradients (FACMAC)を提案する。
離散的および連続的な行動空間における協調的マルチエージェント強化学習のための新しい手法である。
我々は,マルチエージェント粒子環境の変動に対するFACMAC,新しいマルチエージェント MuJoCo ベンチマーク,およびStarCraft II マイクロマネジメントタスクの挑戦的セットについて評価した。
論文 参考訳(メタデータ) (2020-03-14T21:29:09Z) - 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。