論文の概要: Augmenting High-dimensional Nonlinear Optimization with Conditional GANs
- arxiv url: http://arxiv.org/abs/2103.04748v1
- Date: Sat, 20 Feb 2021 18:07:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 10:26:34.543712
- Title: Augmenting High-dimensional Nonlinear Optimization with Conditional GANs
- Title（参考訳）: 条件付きGANによる高次元非線形最適化
- Authors: Pouya Rezazadeh Kalehbasti and Michael D. Lepech
- Abstract要約: 本稿では,逆最適化アルゴリズムを補完する生成モデルを提案する。
生成モデルは、オリジナルのソリューションよりも100%優れた多様性を持つソリューションを生成します。
単純なトレーニングアプローチや単純なトレーニングさえも、高次元問題に対する逆アルゴリズムによって見つかる解の多様性と最適性を大幅に改善できることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many mathematical optimization algorithms fail to sufficiently explore the
solution space of high-dimensional nonlinear optimization problems due to the
curse of dimensionality. This paper proposes generative models as a complement
to optimization algorithms to improve performance in problems with high
dimensionality. To demonstrate this method, a conditional generative
adversarial network (C-GAN) is used to augment the solutions produced by a
genetic algorithm (GA) for a 311-dimensional nonconvex multi-objective
mixed-integer nonlinear optimization. The C-GAN, composed of two networks with
three fully connected hidden layers, is trained on solutions generated by the
GA, and then given sets of desired labels (i.e., objective function values),
generates complementary solutions corresponding to those labels. Six
experiments are conducted to evaluate the capabilities of the proposed method.
The generated complementary solutions are compared to the original solutions in
terms of optimality and diversity. The generative model generates solutions
with objective functions up to 100% better, and with hypervolumes up to 100%
higher, than the original solutions. These findings show that a C-GAN with even
a simple training approach and simple architecture can highly improve the
diversity and optimality of solutions found by an optimization algorithm for a
high-dimensional nonlinear optimization problem.
- Abstract（参考訳）: 多くの数理最適化アルゴリズムは、次元の呪いによる高次元非線形最適化問題の解空間を十分に探すことができない。
本稿では,高次元問題における性能向上のための最適化アルゴリズムを補完する生成モデルを提案する。
この方法を示すために、遺伝的アルゴリズム(ga)が生成する311次元非凸多目的混合整数非線形最適化の解を補うために条件付き生成逆逆ネットワーク(c-gan)が用いられる。
C-GANは、完全に連結された3つの層を持つ2つのネットワークから構成され、GAによって生成される解に基づいて訓練され、その後、所望のラベルのセット(すなわち、目的関数値)が与えられる。
提案手法の有効性を評価するために6つの実験を行った。
生成された相補解は、最適性と多様性の観点から元の解と比較される。
生成モデルは、目的関数が最大100%、超体積が元の解よりも最大100%高い解を生成する。
これらの結果から,C-GANは単純なトレーニングアプローチと単純なアーキテクチャさえあれば,高次元非線形最適化問題に対する最適化アルゴリズムによる解の多様性と最適性を向上させることができることがわかった。
関連論文リスト
- Dynamic Incremental Optimization for Best Subset Selection [15.8362578568708]
最良のサブセット選択は、多くの学習問題に対する金の標準と見なされている。
主問題構造と双対問題構造に基づいて,効率的な部分集合双対アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-02-04T02:26:40Z) - 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) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - Composite Optimization Algorithms for Sigmoid Networks [3.160070867400839]
線形化近位アルゴリズムと乗算器の交互方向に基づく合成最適化アルゴリズムを提案する。
フランク関数のフィッティングに関する数値実験により、提案アルゴリズムは十分堅牢に機能することを示した。
論文 参考訳（メタデータ） (2023-03-01T15:30:29Z) - Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。
微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
論文 参考訳（メタデータ） (2023-02-24T18:41:48Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Solving integer multi-objective optimization problems using TOPSIS,
Differential Evolution and Tabu Search [4.213427823201119]
本稿では,非線形整数多目的最適化問題の解法を提案する。
第一に、問題は理想解(TOPSIS)に類似した順序選好法を用いて定式化される。
次に、その3つのバージョン(標準DE、DEGL、DEGL)における微分進化(DE)アルゴリズムが、DEベストとDEGLとして使用される。
DEアルゴリズムで見つかる解は連続であるため、最適化プロセス中に整数解を見つけるためにTabu Search (TS)アルゴリズムが使用される。
論文 参考訳（メタデータ） (2022-04-05T23:59:33Z) - High dimensional Bayesian Optimization Algorithm for Complex System in
Time Series [1.9371782627708491]
本稿では,新しい高次元ベイズ最適化アルゴリズムを提案する。
モデルの時間依存特性や次元依存特性に基づいて,提案アルゴリズムは次元を均等に低減することができる。
最適解の最終精度を高めるために,提案アルゴリズムは,最終段階におけるアダムに基づく一連のステップに基づく局所探索を追加する。
論文 参考訳（メタデータ） (2021-08-04T21:21:17Z) - 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) - 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) - sKPNSGA-II: Knee point based MOEA with self-adaptive angle for Mission
Planning Problems [2.191505742658975]
いくつかの問題には、多くの非支配的な解をもたらす多くの目的がある。
本稿では,最も重要な解を得るために設計された新しいアルゴリズムを提案する。
このアルゴリズムは無人航空機(UAV)ミッション計画問題における実世界の応用に応用されている。
論文 参考訳（メタデータ） (2020-02-20T17:07:08Z)
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。