Fugu-MT 論文翻訳(概要): An Online Prediction Approach Based on Incremental Support Vector Machine for Dynamic Multiobjective Optimization

論文の概要: An Online Prediction Approach Based on Incremental Support Vector Machine for Dynamic Multiobjective Optimization

arxiv url: http://arxiv.org/abs/2102.12133v1
Date: Wed, 24 Feb 2021 08:51:23 GMT
ステータス: 処理完了
システム内更新日: 2023-04-10 01:15:57.414319
Title: An Online Prediction Approach Based on Incremental Support Vector Machine for Dynamic Multiobjective Optimization
Title（参考訳）: 動的多目的最適化のためのインクリメンタルサポートベクトルマシンに基づくオンライン予測手法
Authors: Dejun Xu, Min Jiang, Weizhen Hu, Shaozi Li, Renhu Pan and Gary G.Yen
Abstract要約: インクリメンタルサポートベクトルマシン(ISVM)に基づく新しい予測アルゴリズムを提案する。動的多目的最適化問題(DMOP)の解決をオンライン学習プロセスとして扱う。提案アルゴリズムは動的多目的最適化問題に効果的に取り組むことができる。
参考スコア（独自算出の注目度）: 19.336520152294213
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Real-world multiobjective optimization problems usually involve conflicting objectives that change over time, which requires the optimization algorithms to quickly track the Pareto optimal front (POF) when the environment changes. In recent years, evolutionary algorithms based on prediction models have been considered promising. However, most existing approaches only make predictions based on the linear correlation between a finite number of optimal solutions in two or three previous environments. These incomplete information extraction strategies may lead to low prediction accuracy in some instances. In this paper, a novel prediction algorithm based on incremental support vector machine (ISVM) is proposed, called ISVM-DMOEA. We treat the solving of dynamic multiobjective optimization problems (DMOPs) as an online learning process, using the continuously obtained optimal solution to update an incremental support vector machine without discarding the solution information at earlier time. ISVM is then used to filter random solutions and generate an initial population for the next moment. To overcome the obstacle of insufficient training samples, a synthetic minority oversampling strategy is implemented before the training of ISVM. The advantage of this approach is that the nonlinear correlation between solutions can be explored online by ISVM, and the information contained in all historical optimal solutions can be exploited to a greater extent. The experimental results and comparison with chosen state-of-the-art algorithms demonstrate that the proposed algorithm can effectively tackle dynamic multiobjective optimization problems.
Abstract（参考訳）: 実世界の多目的最適化問題は通常、時間とともに変化する相反する目的を伴い、環境が変化するとパレート最適前線(POF)を素早く追跡する最適化アルゴリズムを必要とする。近年,予測モデルに基づく進化的アルゴリズムが期待されている。しかし、既存のほとんどのアプローチは、2つまたは3つの以前の環境において、有限数の最適解の間の線形相関に基づいてのみ予測を行う。これらの不完全な情報抽出戦略は、いくつかの例において予測精度を低下させる可能性がある。本稿では、ISVM-DMOEAと呼ばれるインクリメンタルサポートベクトルマシン(ISVM)に基づく新しい予測アルゴリズムを提案する。動的多目的最適化問題(DMOP)の解法をオンライン学習プロセスとして扱い、連続的に得られた最適解を用いて、解情報を早期に破棄することなくインクリメンタルサポートベクターマシンを更新する。その後、ISVMはランダムな解をフィルタリングし、次の瞬間に初期人口を生成する。不十分なトレーニングサンプルの障害を克服するため、ISVMのトレーニングの前に、合成マイノリティオーバーサンプリング戦略が実施される。このアプローチの利点は、ISVMによって解間の非線形相関をオンラインで探索でき、すべての歴史的最適解に含まれる情報がより広範囲に活用できることである。その結果,提案アルゴリズムが動的多目的最適化問題に対して効果的に対処できることが実証された。

関連論文リスト

A Stochastic Approach to Bi-Level Optimization for Hyperparameter Optimization and Meta Learning [74.80956524812714]
我々は,現代のディープラーニングにおいて広く普及している一般的なメタ学習問題に対処する。これらの問題は、しばしばBi-Level Optimizations (BLO)として定式化される。我々は,与えられたBLO問題を,内部損失関数が滑らかな分布となり,外損失が内部分布に対する期待損失となるようなii最適化に変換することにより,新たな視点を導入する。
論文参考訳（メタデータ） (2024-10-14T12:10:06Z)
End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文参考訳（メタデータ） (2024-02-12T16:33:35Z)
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)
Combining Kernelized Autoencoding and Centroid Prediction for Dynamic Multi-objective Optimization [3.431120541553662]
本稿では,カーネル化された自己コード進化探索と遠近法に基づく予測を組み合わせた統一パラダイムを提案する。提案手法は,多くの複雑なベンチマーク問題に対して,最先端の5つのアルゴリズムと比較する。
論文参考訳（メタデータ） (2023-12-02T00:24:22Z)
An Expandable Machine Learning-Optimization Framework to Sequential Decision-Making [0.0]
逐次的意思決定問題を効率的に解決する統合予測最適化(PredOpt)フレームワークを提案する。本稿では,機械学習(ML)における逐次依存,実現可能性,一般化といった課題に対処し,インスタンス問題に対する最適解の予測を行う。
論文参考訳（メタデータ） (2023-11-12T21:54:53Z)
Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
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。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文参考訳（メタデータ） (2023-01-28T01:50:42Z)
Data-driven evolutionary algorithm for oil reservoir well-placement and control optimization [3.012067935276772]
一般化されたデータ駆動進化アルゴリズム(GDDE)は、適切な配置と制御最適化問題で実行されるシミュレーションの数を減らすために提案される。確率的ニューラルネットワーク(PNN)は、情報的および有望な候補を選択するための分類器として採用されている。
論文参考訳（メタデータ） (2022-06-07T09:07:49Z)
Teaching Networks to Solve Optimization Problems [13.803078209630444]
反復解法をトレーニング可能なパラメトリック集合関数に置き換えることを提案する。このようなパラメトリックな(集合)関数を学習することで、様々な古典的最適化問題を解くことができることを示す。
論文参考訳（メタデータ） (2022-02-08T19:13:13Z)
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)
Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文参考訳（メタデータ） (2020-06-18T19:11:54Z)
Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。