論文の概要: Multi-Space Evolutionary Search for Large-Scale Optimization
- arxiv url: http://arxiv.org/abs/2102.11693v1
- Date: Tue, 23 Feb 2021 13:50:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-25 05:52:56.756292
- Title: Multi-Space Evolutionary Search for Large-Scale Optimization
- Title（参考訳）: 大規模最適化のためのマルチスペース進化探索
- Authors: Liang Feng, Qingxia Shang, Yaqing Hou, Kay Chen Tan and Yew-Soon On
- Abstract要約: 本稿では,大規模最適化問題を解くための既存の進化的探索法を強化するために,多空間進化探索という新しい探索パラダイムを提案する。
提案したパラダイムは、問題の分解性や決定変数の間に特定の関係が存在するなど、関心の大規模最適化問題に関する仮定をしない。
- 参考スコア（独自算出の注目度）: 14.546211327377389
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, to improve the evolutionary algorithms used to solve
optimization problems involving a large number of decision variables, many
attempts have been made to simplify the problem solution space of a given
problem for the evolutionary search. In the literature, the existing approaches
can generally be categorized as decomposition-based methods and
dimension-reduction-based methods. The former decomposes a large-scale problem
into several smaller subproblems, while the latter transforms the original
high-dimensional solution space into a low-dimensional space. However, it is
worth noting that a given large-scale optimization problem may not always be
decomposable, and it is also difficult to guarantee that the global optimum of
the original problem is preserved in the reduced low-dimensional problem space.
This paper thus proposes a new search paradigm, namely the multi-space
evolutionary search, to enhance the existing evolutionary search methods for
solving large-scale optimization problems. In contrast to existing approaches
that perform an evolutionary search in a single search space, the proposed
paradigm is designed to conduct a search in multiple solution spaces that are
derived from the given problem, each possessing a unique landscape. The
proposed paradigm makes no assumptions about the large-scale optimization
problem of interest, such as that the problem is decomposable or that a certain
relationship exists among the decision variables. To verify the efficacy of the
proposed paradigm, comprehensive empirical studies in comparison to four
state-of-the-art algorithms were conducted using the CEC2013 large-scale
benchmark problems.
- Abstract（参考訳）: 近年,多くの決定変数を含む最適化問題を解くために用いられる進化的アルゴリズムを改善するために,進化的探索のために与えられた問題の解空間を単純化する試みが数多く行われている。
文献では、既存のアプローチは一般に分解に基づく方法と次元還元に基づく方法に分類される。
前者は大規模な問題をいくつかの小さなサブ問題に分解し、後者は元の高次元解空間を低次元空間に変換する。
しかし、与えられた大規模最適化問題は必ずしも分解可能であるとは限りませんし、元の問題の大域的最適化が低次元問題空間で維持されることを保証することも困難です。
そこで本稿では,大規模最適化問題に対する既存の進化的探索法を強化するために,多空間進化探索という新しい探索パラダイムを提案する。
1つの検索空間で進化的探索を行う既存のアプローチとは対照的に、提案されたパラダイムは、与えられた問題から派生した複数の解空間の探索を行うように設計されている。
提案したパラダイムは、問題の分解性や決定変数の間に特定の関係が存在するなど、関心の大規模最適化問題に関する仮定をしない。
提案手法の有効性を検証するため,cec2013の大規模ベンチマーク問題を用いて4つの最先端アルゴリズムとの比較を行った。
関連論文リスト
- The Differentiable Feasibility Pump [49.55771920271201]
本稿では,従来の実現可能性ポンプとその追随点の多くを,特定のパラメータを持つ勾配差アルゴリズムとみなすことができることを示す。
この再解釈の中心的な側面は、伝統的なアルゴリズムがそのコストに関して線形緩和の解を区別することを観察することである。
論文 参考訳（メタデータ） (2024-11-05T22:26:51Z) - An Effective and Efficient Evolutionary Algorithm for Many-Objective
Optimization [2.5594423685710814]
様々な多目的問題に対処できる効率的な進化的アルゴリズム(E3A)を開発した。
SDEにインスパイアされたE3Aでは,新しい集団維持法が提案されている。
我々は、広範囲な実験を行い、E3Aが11の最先端の多目的進化アルゴリズムより優れていることを示す。
論文 参考訳（メタデータ） (2022-05-31T15:35:46Z) - 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) - Multidimensional Assignment Problem for multipartite entity resolution [69.48568967931608]
Multipartiteエンティティ解決は、複数のデータセットから1つのエンティティにレコードを統合することを目的としている。
代入問題を解くために、グリーディアルゴリズムと大規模近傍探索という2つの手順を適用する。
データベースのサイズが大きくなるにつれて、設計ベースのマルチスタートがより効率的であることを示す。
論文 参考訳（メタデータ） (2021-12-06T20:34:55Z) - Manifold Interpolation for Large-Scale Multi-Objective Optimization via
Generative Adversarial Networks [12.18471608552718]
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。
論文 参考訳（メタデータ） (2021-01-08T09:38:38Z) - Optimistic variants of single-objective bilevel optimization for
evolutionary algorithms [6.788217433800101]
ベンチマーク問題を解くために部分的部分進化的アプローチが提案され、優れた結果が得られた。
また、一般的な収束アプローチ、すなわち楽観的で悲観的なアプローチにも新しい変種が提案されている。
実験の結果、アルゴリズムは楽観的な変量を持つ最適解に異なる収束性を示す。
論文 参考訳（メタデータ） (2020-08-22T23:12:07Z) - Balancing Common Treatment and Epidemic Control in Medical Procurement
during COVID-19: Transform-and-Divide Evolutionary Optimization [10.29490155247067]
新型コロナウイルス(COVID-19)などのパンデミックが続く中、病院で医療用品調達の鍵となる目的は、共通疾患の治療と疫病対策のバランスをとることだ。
本稿では,まず,従来の高次元制約型多目的最適化問題を低次元制約型多目的最適化問題に変換する手法を提案する。
提案手法は, 従来の問題を直接解いた方法よりも, はるかに優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2020-08-02T04:47:34Z) - 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) - 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) - MineReduce: an approach based on data mining for problem size reduction [58.720142291102135]
本稿では,マイニングパターンを用いて問題サイズの削減を行うMineReduceという手法を提案する。
異種車両ルーティング問題に対するMineReduceの適用について述べる。
論文 参考訳（メタデータ） (2020-05-15T08:49:50Z) - Devolutionary genetic algorithms with application to the minimum
labeling Steiner tree problem [0.0]
本稿では、進化的遺伝的アルゴリズムを特徴付けるとともに、最小ラベル付けスタイナーツリー(MLST)問題を解く際の性能を評価する。
我々は、進化的アルゴリズムを、時間とともに超最適で実現不可能な解の集団を進化させることによって実現可能な解に到達する過程として定義する。
我々は, 交叉, 突然変異, 適合性などの古典的進化的概念が, 最適解, 最適解に到達するためにどのように適応できるかを示す。
論文 参考訳（メタデータ） (2020-04-18T13:27:28Z)
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。