論文の概要: Variable Division and Optimization for Constrained Multiobjective
Portfolio Problems
- arxiv url: http://arxiv.org/abs/2101.08552v1
- Date: Thu, 21 Jan 2021 11:08:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-21 07:51:20.887417
- Title: Variable Division and Optimization for Constrained Multiobjective
Portfolio Problems
- Title(参考訳): 制約付き多目的ポートフォリオ問題に対する変数分割と最適化
- Authors: Yi Chen, Aimin Zhou
- Abstract要約: 可変分割と最適化(D&O)は、進化的アルゴリズム(EA)で頻繁に使用されるアルゴリズム設計パラダイムです。
本稿では,多対象問題における部分変数のエリート選択法を提案する。
数学的プログラミングの助けを借りて、制約付き多目的ポートフォリオ問題で達成される。
- 参考スコア(独自算出の注目度): 8.056425814256116
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Variable division and optimization (D\&O) is a frequently utilized algorithm
design paradigm in Evolutionary Algorithms (EAs). A D\&O EA divides a variable
into partial variables and then optimize them respectively. A complicated
problem is thus divided into simple subtasks. For example, a variable of
portfolio problem can be divided into two partial variables, i.e. the selection
of assets and the allocation of capital. Thereby, we optimize these two partial
variables respectively. There is no formal discussion about how are the partial
variables iteratively optimized and why can it work for both single- and
multi-objective problems in D\&O. In this paper, this gap is filled. According
to the discussion, an elitist selection method for partial variables in
multiobjective problems is developed. Then this method is incorporated into the
Decomposition-Based Multiobjective Evolutionary Algorithm (D\&O-MOEA/D). With
the help of a mathematical programming optimizer, it is achieved on the
constrained multiobjective portfolio problems. In the empirical study,
D\&O-MOEA/D is implemented for 20 instances and recent Chinese stock markets.
The results show the superiority and versatility of D\&O-MOEA/D on large-scale
instances while the performance of it on small-scale problems is also not bad.
The former targets convergence towards the Pareto front and the latter helps
promote diversity among the non-dominated solutions during the search process.
- Abstract(参考訳): 変数分割と最適化 (D\&O) は進化的アルゴリズム(EA)においてよく利用されるアルゴリズム設計パラダイムである。
D\&O EAは変数を部分変数に分割し、それぞれ最適化する。
したがって、複雑な問題は単純なサブタスクに分割される。
例えば、ポートフォリオ問題の変数は2つの部分変数、すなわち2つの部分変数に分けられる。
資産の選択と資本配分です
これにより、これら2つの部分変数をそれぞれ最適化する。
部分変数が反復的に最適化されているか、なぜそれがD\&Oの単目的問題と多目的問題の両方で機能するのか、という公式な議論はない。
本稿では,この隙間を埋める。
議論によると,多目的問題における部分変数のエリート的選択法を開発した。
次に、この手法を分解ベース多目的進化アルゴリズム(D\&O-MOEA/D)に組み込む。
数学的プログラミング最適化の助けを借りて、制約付き多目的ポートフォリオ問題で実現される。
実証研究では、d\&o-moea/dは20の事例と最近の中国株式市場で実施されている。
その結果,大規模インスタンスにおけるD&O-MOEA/Dの優位性と汎用性を示した。
前者のターゲットはパレートフロントに収束し、後者は探索過程における非支配的なソリューション間の多様性を促進する。
関連論文リスト
- An Application of a Multivariate Estimation of Distribution Algorithm to
Cancer Chemotherapy [59.40521061783166]
癌に対する化学療法治療は、多数の相互作用する変数と制約を持つ複雑な最適化問題である。
より洗練されたアルゴリズムは、このような複雑な問題に対してより良いパフォーマンスをもたらすことが示される。
我々は、この問題における多数の相互作用によって、より洗練されたアルゴリズムが妨げられていることが原因であると仮定する。
論文 参考訳(メタデータ) (2022-05-17T15:28:46Z) - 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) - Distributionally Robust Bayesian Optimization with $\phi$-divergences [55.071434352141395]
我々は,$phi$-divergences におけるデータシフトに対するロバストさを,Total Variation や既存のKullback-Leibler の発散など,多くの一般的な選択を仮定する。
この設定におけるDRO-BO問題は有限次元最適化問題と等価であり、連続的な文脈でも証明可能な部分線型後悔境界で容易に実装できることを示す。
論文 参考訳(メタデータ) (2022-03-04T04:34:52Z) - 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) - Neural Stochastic Dual Dynamic Programming [99.80617899593526]
我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。
$nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
論文 参考訳(メタデータ) (2021-12-01T22:55:23Z) - Simple Stochastic and Online Gradient DescentAlgorithms for Pairwise
Learning [65.54757265434465]
ペアワイズ学習(Pairwise learning)とは、損失関数がペアインスタンスに依存するタスクをいう。
オンライン降下(OGD)は、ペアワイズ学習でストリーミングデータを処理する一般的なアプローチである。
本稿では,ペアワイズ学習のための手法について,シンプルでオンラインな下降を提案する。
論文 参考訳(メタデータ) (2021-11-23T18:10:48Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳(メタデータ) (2021-10-18T14:00:22Z) - 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) - Efficient and Modular Implicit Differentiation [68.74748174316989]
最適化問題の暗黙的な微分のための統一的で効率的かつモジュール化されたアプローチを提案する。
一見単純な原理は、最近提案された多くの暗黙の微分法を復元し、新しいものを簡単に作成できることを示している。
論文 参考訳(メタデータ) (2021-05-31T17:45:58Z) - Subdimensional Expansion for Multi-objective Multi-agent Path Finding [10.354181009277623]
マルチエージェントパスプランナーは通常、パスの長さなどの単一の目的を最適化するパスを決定する。
しかし、多くのアプリケーションは、計画プロセスにおいて同時に最適化されるために、例えば、時間から完了までの時間や燃料使用など、複数の目的を必要とするかもしれない。
本稿では,このいわゆる次元の呪いを回避し,従来のマルチエージェントワークをサブ次元展開という枠組みで活用するアプローチを提案する。
論文 参考訳(メタデータ) (2021-02-02T06:58:28Z) - Theoretical Analyses of Multi-Objective Evolutionary Algorithms on
Multi-Modal Objectives [5.177947445379688]
本稿では,進化的アルゴリズムがマルチモーダル多目的問題をどのように解決するかを理解するための第一歩を踏み出す。
古典的なジャンプ関数ベンチマークに従属する単一目的を持つ2つの対象問題であるOneJumpJump問題を提案する。
論文 参考訳(メタデータ) (2020-12-14T03:07:39Z)
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。