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
- Maintaining Diversity Provably Helps in Evolutionary Multimodal Optimization [20.621635722585502]
解空間における解の多様性を考慮に入れた簡単な方法が進化的アルゴリズム(EA)の探索に有効であることを示す。
提案手法は,クロスオーバーで作業することで探索の促進に寄与し,予測走行時間において,マルチモーダルあるいは指数加速度がもたらされることを実証する。
論文 参考訳（メタデータ） (2024-06-04T17:52:14Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-05-01T09:34:42Z) - Numerical Methods for Convex Multistage Stochastic Optimization [86.45244607927732]
最適化プログラミング(SP)、最適制御(SOC)、決定プロセス(MDP)に焦点を当てる。
凸多段マルコフ問題の解決の最近の進歩は、動的プログラミング方程式のコスト対ゴー関数の切断面近似に基づいている。
切削平面型法は多段階問題を多段階的に扱えるが、状態(決定)変数は比較的少ない。
論文 参考訳（メタデータ） (2023-03-28T01:30:40Z) - Enhanced Opposition Differential Evolution Algorithm for Multimodal
Optimization [0.2538209532048866]
現実の問題は、本質的には複数の最適値からなるマルチモーダルである。
古典的な勾配に基づく手法は、目的関数が不連続あるいは微分不可能な最適化問題に対して失敗する。
我々は,MMOPを解くために,拡張オポポジション微分進化(EODE)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-23T16:18:27Z) - A Simple Evolutionary Algorithm for Multi-modal Multi-objective
Optimization [0.0]
マルチモーダル・多目的最適化問題(MMOP)を解くための定常進化アルゴリズムを提案する。
本報告では,1000関数評価の低計算予算を用いて,様々なテストスイートから得られた21個のMMOPの性能について報告する。
論文 参考訳（メタデータ） (2022-01-18T03:31:11Z) - 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) - 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) - Follow the bisector: a simple method for multi-objective optimization [65.83318707752385]
複数の異なる損失を最小化しなければならない最適化問題を考える。
提案手法は、各イテレーションにおける降下方向を計算し、目的関数の相対的減少を等しく保証する。
論文 参考訳（メタデータ） (2020-07-14T09:50:33Z) - Decomposition in Decision and Objective Space for Multi-Modal
Multi-Objective Optimization [15.681236469530397]
多モード多目的最適化問題(MMMOP)はパレート最適集合内に複数の部分集合を持つ。
一般的な多目的進化的アルゴリズムは、複数の解部分集合を探索するために純粋に設計されていないが、MMMOP向けに設計されたアルゴリズムは、目的空間における劣化した性能を示す。
これは、MMMOPに対処するためのより良いアルゴリズムの設計を動機付けている。
論文 参考訳（メタデータ） (2020-06-04T03:18:47Z) - Revisiting SGD with Increasingly Weighted Averaging: Optimization and
Generalization Perspectives [50.12802772165797]
平均化手法は、全ての反復解を一つの解に結合する。
実験は、他の平均化方式と比較して、トレードオフと平均化の有効性を示した。
論文 参考訳（メタデータ） (2020-03-09T18:14:00Z) - Pareto Multi-Task Learning [53.90732663046125]
マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。
異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。
近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
論文 参考訳（メタデータ） (2019-12-30T08:58:40Z)
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。