論文の概要: Evolutionary Multi-Objective Optimization Algorithm Framework with Three
Solution Sets
- arxiv url: http://arxiv.org/abs/2012.07319v1
- Date: Mon, 14 Dec 2020 08:04:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-20 21:32:44.615900
- Title: Evolutionary Multi-Objective Optimization Algorithm Framework with Three
Solution Sets
- Title（参考訳）: 3つの解集合を持つ進化的多目的最適化アルゴリズムフレームワーク
- Authors: Hisao Ishibuchi and Lie Meng Pang and Ke Shang
- Abstract要約: EMOアルゴリズムにより得られた非支配的解集合から最終解が決定者によって選択されると仮定する。
本稿では,様々な状況に対処するための3つのソリューションセットを備えた汎用EMOフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 7.745468825770201
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It is assumed in the evolutionary multi-objective optimization (EMO)
community that a final solution is selected by a decision maker from a
non-dominated solution set obtained by an EMO algorithm. The number of
solutions to be presented to the decision maker can be totally different. In
some cases, the decision maker may want to examine only a few representative
solutions from which a final solution is selected. In other cases, a large
number of non-dominated solutions may be needed to visualize the Pareto front.
In this paper, we suggest the use of a general EMO framework with three
solution sets to handle various situations with respect to the required number
of solutions. The three solution sets are the main population of an EMO
algorithm, an external archive to store promising solutions, and a final
solution set which is presented to the decision maker. The final solution set
is selected from the archive. Thus the population size and the archive size can
be arbitrarily specified as long as the archive size is not smaller than the
required number of solutions. The final population is not necessarily to be a
good solution set since it is not presented to the decision maker. Through
computational experiments, we show the advantages of this framework over the
standard final population and final archive frameworks. We also discuss how to
select a final solution set and how to explain the reason for the selection,
which is the first attempt towards an explainable EMO framework.
- Abstract（参考訳）: 進化的多目的最適化(EMO)コミュニティでは、最終解は、EMOアルゴリズムによって得られた非支配的解集合から決定者によって選択されると仮定される。
意思決定者に提示されるソリューションの数は,まったく違います。
意思決定者は、最終的な解が選択されるいくつかの代表的解のみを調べたい場合もあります。
その他のケースでは、paretoフロントを視覚化するために多数の非支配的なソリューションが必要である。
本稿では,3つのソリューションセットを備えた汎用 EMO フレームワークを用いて,必要なソリューション数について様々な状況を扱うことを提案する。
3つのソリューションセットは、EMOアルゴリズムの主要な集団であり、将来性のあるソリューションを格納するための外部アーカイブであり、最終的なソリューションセットは意思決定者に提示される。
最終的な解集合はアーカイブから選択される。
したがって、アーカイブサイズが必要なソリューションの数より小さい限り、人口サイズとアーカイブサイズを任意に指定することができる。
最終的な人口は意思決定者に提示されないので、必ずしも良い解決法であるとは限らない。
計算実験を通じて,このフレームワークが標準のfinal populationおよびfinal archiveフレームワークよりも優れていることを示す。
また、最終ソリューションセットの選択方法や、選択の理由を説明する方法についても議論する。
関連論文リスト
- Efficient anytime algorithms to solve the bi-objective Next Release
Problem [2.8148957592979422]
次のリリース問題は、ソフトウェア製品の次のリリースで開発する要件のサブセットを選択することです。
そこで我々は,探索中いつでもよく分散されたソリューション群を維持できる5つの新しい手法を提案する。
論文 参考訳（メタデータ） (2024-02-07T05:03:31Z) - Generalizing Math Word Problem Solvers via Solution Diversification [56.2690023011738]
我々は,解バッファと解判別器を導入することで,MWPソルバの新しいトレーニングフレームワークを設計する。
本フレームワークは,全Seq2Seq MWPソルバの完全・半弱・弱教師付きトレーニングに柔軟に適用可能である。
論文 参考訳（メタデータ） (2022-12-01T19:34:58Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Benchmarking Subset Selection from Large Candidate Solution Sets in
Evolutionary Multi-objective Optimization [6.544757635738911]
進化的多目的最適化(EMO)の分野では、EMOアルゴリズムの最終個体群を出力として提示する。
近年,アーカイブの進化中に生成したすべての非支配的ソリューションを格納することで,この問題を解決するための新しい EMO フレームワークが提案されている。
本稿では,大規模候補解集合からのサブセット選択のためのベンチマークテストスイートを提案する。
論文 参考訳（メタデータ） (2022-01-18T02:09:08Z) - Modularity in Reinforcement Learning via Algorithmic Independence in
Credit Assignment [79.5678820246642]
提案手法は, 事前決定の順序に対して, スパース変化のみを必要とする伝達問題に対して, 政策段階の手法よりも, より標本効率が高いことを示す。
我々は最近提案された社会的意思決定の枠組みをマルコフ決定プロセスよりもよりきめ細かい形式主義として一般化する。
論文 参考訳（メタデータ） (2021-06-28T21:29:13Z) - A Mutual Information Maximization Approach for the Spurious Solution
Problem in Weakly Supervised Question Answering [60.768146126094955]
弱々しい教師付き質問応答は通常、最終的な答えのみを監督信号として持つ。
偶然に正解を導出する刺激的な解が多数存在するかもしれないが、そのような解の訓練はモデルの性能を損なう可能性がある。
本稿では,質問応答対と予測解間の相互情報の最大化により,このような意味的相関を明示的に活用することを提案する。
論文 参考訳（メタデータ） (2021-06-14T05:47:41Z) - Discovering Diverse Solutions in Deep Reinforcement Learning [84.45686627019408]
強化学習アルゴリズムは通常、特定のタスクの単一のソリューションを学ぶことに限定される。
連続的あるいは離散的な低次元潜在変数に条件付きポリシーを訓練することにより、無限に多くの解を学習できるRL法を提案する。
論文 参考訳（メタデータ） (2021-03-12T04:54:31Z) - Decomposition-Based Multi-Objective Evolutionary Algorithm Design under
Two Algorithm Frameworks [7.745468825770201]
オフラインの遺伝的アルゴリズムに基づくハイパーヒューリスティック手法を用いて,各フレームワークにおけるMOEA/Dの最適構成を求める。
実験結果から,解選択フレームワークを用いた場合,より柔軟で堅牢で高性能なMOEA/Dアルゴリズムが得られる可能性が示唆された。
論文 参考訳（メタデータ） (2020-08-17T05:28:20Z) - Algorithm Configurations of MOEA/D with an Unbounded External Archive [7.745468825770201]
実行中に基準点仕様を線形に変更することによりMOEA/Dの性能が向上することを示す。
また、遺伝的アルゴリズムに基づくオフラインハイパーヒューリスティック手法を用いて、各フレームワークにおけるMOEA/Dの最適構成を求める。
論文 参考訳（メタデータ） (2020-07-27T08:14:37Z) - Learning What to Defer for Maximum Independent Sets [84.00112106334655]
本稿では,各段階における解の要素的決定を学習することにより,エージェントが適応的に段階数を縮小あるいは拡張する,新たなDRL方式を提案する。
提案手法を最大独立集合(MIS)問題に適用し、現状のDRL方式よりも大幅に改善したことを示す。
論文 参考訳（メタデータ） (2020-06-17T02:19:31Z) - Solution Subset Selection for Final Decision Making in Evolutionary
Multi-Objective Optimization [7.745468825770201]
最終的な意思決定の観点から,サブセットの選択について論じる。
定式化関数はIGD+インジケータと同じであることを示す。
論文 参考訳（メタデータ） (2020-06-15T06:26:58Z)
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。