論文の概要: Manifold Interpolation for Large-Scale Multi-Objective Optimization via Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2101.02932v1
• Date: Fri, 8 Jan 2021 09:38:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-17 08:35:55.822567
• Title: Manifold Interpolation for Large-Scale Multi-Objective Optimization via Generative Adversarial Networks
• Title（参考訳）: 生成逆数ネットワークによる大規模多目的最適化のためのマニフォールド補間
• Authors: Zhenzhong Wang and Haokai Hong and Kai Ye and Min Jiang and Kay Chen Tan
• Abstract要約: 大規模多目的最適化問題(LSMOP)は、数百から数千の決定変数と複数の矛盾する目的を含むことを特徴とする。 これまでの研究では、これらの最適解は低次元空間の多様体構造に一様に分布していることが示されている。 本研究では, 生成逆数ネットワーク(GAN)に基づく多様体フレームワークを提案し, 多様体を学習し, 高品質な解を生成する。
• 参考スコア（独自算出の注目度）: 12.18471608552718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale multiobjective optimization problems (LSMOPs) are characterized as involving hundreds or even thousands of decision variables and multiple conflicting objectives. An excellent algorithm for solving LSMOPs should find Pareto-optimal solutions with diversity and escape from local optima in the large-scale search space. Previous research has shown that these optimal solutions are uniformly distributed on the manifold structure in the low-dimensional space. However, traditional evolutionary algorithms for solving LSMOPs have some deficiencies in dealing with this structural manifold, resulting in poor diversity, local optima, and inefficient searches. In this work, a generative adversarial network (GAN)-based manifold interpolation framework is proposed to learn the manifold and generate high-quality solutions on this manifold, thereby improving the performance of evolutionary algorithms. We compare the proposed algorithm with several state-of-the-art algorithms on large-scale multiobjective benchmark functions. Experimental results have demonstrated the significant improvements achieved by this framework in solving LSMOPs.
• Abstract（参考訳）: 大規模多目的最適化問題(LSMOP)は、数百から数千の決定変数と複数の矛盾する目的を含む。 LSMOPを解くための優れたアルゴリズムは、大規模検索空間において、多様性のあるパレート最適解を見つけ、局所最適から逃れるべきである。 前回の研究では、これらの最適解は低次元空間の多様体構造上に一様分布することが示されている。 しかし、LSMOPを解くための伝統的な進化的アルゴリズムは、この構造多様体を扱うのにいくつかの欠点があり、結果として多様性の欠如、局所最適性、非効率的な探索をもたらす。 本研究では, 生成逆数ネットワーク(GAN)に基づく多様体補間フレームワークを提案し, 多様体を学習し, この多様体上で高品質な解を生成することにより, 進化的アルゴリズムの性能を向上させる。 提案アルゴリズムを大規模多目的ベンチマーク関数の最先端アルゴリズムと比較する。 実験の結果,LSMOPの解決において,このフレームワークが達成した大幅な改善が示された。

関連論文リスト

• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。 拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T07:56:21Z)
• Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。 本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
  論文  参考訳（メタデータ） (2023-12-28T23:15:18Z)
• Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
  エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。 ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。 提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-10T00:21:10Z)
• 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)
• Balancing Exploration and Exploitation for Solving Large-scale Multiobjective Optimization via Attention Mechanism [18.852491892952514]
  注意機構に基づく大規模多目的最適化アルゴリズム(LMOAM)を提案する。 注意機構は、各決定変数に固有の重みを割り当て、LMOAMは、この重みを使って、決定変数レベルからの探索とエクスプロイトのバランスを取る。
  論文  参考訳（メタデータ） (2022-05-20T09:45:49Z)
• A novel multiobjective evolutionary algorithm based on decomposition and multi-reference points strategy [14.102326122777475]
  分解に基づく多目的進化アルゴリズム(MOEA/D)は、多目的最適化問題(MOP)を解く上で、極めて有望なアプローチであると考えられている。 本稿では,よく知られたPascoletti-Serafiniスキャラライゼーション法とマルチ参照ポイントの新たな戦略により,MOEA/Dアルゴリズムの改良を提案する。
  論文  参考訳（メタデータ） (2021-10-27T02:07:08Z)
• Solving Large-Scale Multi-Objective Optimization via Probabilistic Prediction Model [10.916384208006157]
  効率的なLSMOPアルゴリズムは、巨大な検索空間から局所最適解を逃れる能力を持つべきである。 人口の多様性を維持することは、探索効率を向上させる効果的な方法の1つである。 LSMOP に取り組むために,トレンド予測モデルと LT-PPM と呼ばれる生成フィルタ戦略に基づく確率的予測モデルを提案する。
  論文  参考訳（メタデータ） (2021-07-16T09:43:35Z)
• A Framework to Handle Multi-modal Multi-objective Optimization in Decomposition-based Evolutionary Algorithms [7.81768535871051]
  分解に基づく進化的アルゴリズムは多目的最適化に優れた性能を持つ。 解空間の多様性を維持するメカニズムが欠如しているため、マルチモーダルな多目的最適化にはあまり役に立たない可能性が高い。 本稿では,マルチモーダル多目的最適化のための分解に基づく進化的アルゴリズムの性能向上のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-30T14:32:57Z)
• EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm for Constrained Global Optimization [68.8204255655161]
  EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。 これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。 その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
  論文  参考訳（メタデータ） (2020-07-09T10:19:22Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)
• A Decomposition-based Large-scale Multi-modal Multi-objective Optimization Algorithm [9.584279193016522]
  広範に使われているMOEA/Dアルゴリズムに基づく効率的なマルチモーダル多目的最適化アルゴリズムを提案する。 実験の結果,提案アルゴリズムは決定空間における解の多様性を効果的に維持できることが示された。
  論文  参考訳（メタデータ） (2020-04-21T09:18:54Z)

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。