論文の概要: Paradiseo: From a Modular Framework for Evolutionary Computation to the
Automated Design of Metaheuristics ---22 Years of Paradiseo---
- arxiv url: http://arxiv.org/abs/2105.00420v1
- Date: Sun, 2 May 2021 08:45:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-01 19:48:42.317309
- Title: Paradiseo: From a Modular Framework for Evolutionary Computation to the
Automated Design of Metaheuristics ---22 Years of Paradiseo---
- Title(参考訳): Paradiseo: 進化的計算のためのモジュラーフレームワークからメタヒューリスティックスの自動設計へ ---パラディシオの22年--
- Authors: Johann Dreo (Systems Biology Group, Department of Computational
Biology, USR 3756, Institut Pasteur and CNRS, Paris, France), Arnaud
Liefooghe (Univ. Lille, CNRS, Inria, Centrale Lille, UMR 9189 CRIStAL, Lille,
France), S\'ebastien Verel (Univ. Littoral C\^ote d'Opale, Calais, France),
Marc Schoenauer (TAU, Inria, CNRS and UPSaclay, LISN, Saclay, France), Juan
J. Merelo (University of Granada, Granada, Spain), Alexandre Quemy (Poznan
University of Technology, Poznan, Poland), Benjamin Bouvier, Jan Gmys (Inria,
Lille, France)
- Abstract要約: ParadisEOは、モジュラーメタヒューリスティックの開発をターゲットとする、包括的なC++フリーソフトウェアである。
この記事では、モジュール化メタヒューリスティックスの開発を目標とする、包括的なC++フリーソフトウェアであるParadisEOフレームワークの特徴を要約する。
- 参考スコア(独自算出の注目度): 33.056531655247625
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The success of metaheuristic optimization methods has led to the development
of a large variety of algorithm paradigms. However, no algorithm clearly
dominates all its competitors on all problems. Instead, the underlying variety
of landscapes of optimization problems calls for a variety of algorithms to
solve them efficiently. It is thus of prior importance to have access to mature
and flexible software frameworks which allow for an efficient exploration of
the algorithm design space. Such frameworks should be flexible enough to
accommodate any kind of metaheuristics, and open enough to connect with
higher-level optimization, monitoring and evaluation softwares. This article
summarizes the features of the ParadisEO framework, a comprehensive C++ free
software which targets the development of modular metaheuristics. ParadisEO
provides a highly modular architecture, a large set of components, speed of
execution and automated algorithm design features, which are key to modern
approaches to metaheuristics development.
- Abstract(参考訳): メタヒューリスティック最適化手法の成功は、多種多様なアルゴリズムパラダイムの開発につながった。
しかし、すべての問題で競合相手を圧倒するアルゴリズムはない。
代わりに、最適化問題の根底にある様々な状況は、それらを効率的に解くための様々なアルゴリズムを要求する。
したがって、アルゴリズム設計スペースの効率的な探索を可能にする成熟した柔軟なソフトウェアフレームワークにアクセスすることが、事前に重要である。
このようなフレームワークはあらゆるメタヒューリスティックに適合するほど柔軟で、より高いレベルの最適化、監視、評価ソフトウェアと接続するのに十分なオープンであるべきです。
この記事では、モジュール化メタヒューリスティックスの開発を目標とする、包括的なC++フリーソフトウェアであるParadisEOフレームワークの特徴を要約する。
ParadisEOは、高度にモジュール化されたアーキテクチャ、大規模なコンポーネントセット、実行速度、自動アルゴリズム設計機能を提供する。
関連論文リスト
- Deep Reinforcement Learning for Dynamic Algorithm Selection: A
Proof-of-Principle Study on Differential Evolution [27.607740475924448]
本稿では,この課題を実現するための強化学習に基づく動的アルゴリズム選択フレームワークを提案する。
我々は、最適な動作を推測し、アルゴリズムの選択を確実にするために、洗練されたディープニューラルネットワークモデルを用いる。
基礎研究として、この枠組みを微分進化アルゴリズム群に適用する。
論文 参考訳(メタデータ) (2024-03-04T15:40:28Z) - Reinforced In-Context Black-Box Optimization [67.02295929937829]
RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。
RIBBOは、複数の動作アルゴリズムとタスクによって生成された最適化履歴を学習するために、表現的なシーケンスモデルを使用している。
提案手法の中心となるのは,履歴の累積的後悔に基づくアルゴリズムの性能を表現するために,後悔から後悔へのトークンで最適化履歴を増大させることである。
論文 参考訳(メタデータ) (2024-02-27T11:32:14Z) - Machine Learning Augmented Branch and Bound for Mixed Integer Linear
Programming [11.293025183996832]
Mixed Linear Programming (MILP)は、幅広いアプリケーションに対して強力なモデリング言語を提供する。
近年,ブランチ・アンド・バウンドアルゴリズムに関わる主要なタスクをすべて強化するための機械学習アルゴリズムの利用が爆発的な発展を遂げている。
特に、分岐とバウンドの効率の指標を自動的に最適化する機械学習アルゴリズムに注意を払っている。
論文 参考訳(メタデータ) (2024-02-08T09:19:26Z) - Introducing Interactions in Multi-Objective Optimization of Software
Architectures [2.920908475492581]
本研究では,設計者のインタラクションがソフトウェアアーキテクチャの最適化に与える影響について検討する。
関心のある領域に探索を向けることで、完全に自動化されたプロセスで探索されていないアーキテクチャを明らかにする。
論文 参考訳(メタデータ) (2023-08-29T07:49:46Z) - Multi-Agent Reinforcement Learning for Microprocessor Design Space
Exploration [71.95914457415624]
マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。
この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。
評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
論文 参考訳(メタデータ) (2022-11-29T17:10:24Z) - MOF: A Modular Framework for Rapid Application of Optimization
Methodologies to General Engineering Design Problems [0.0]
Modular Optimization Framework (MOF) は最適化アルゴリズムの開発と適用を容易にするために開発された。
MOFはPython 3で書かれており、オブジェクト指向プログラミングを使用して、ユーザーが新しい最適化アルゴリズムを簡単に組み込むことができるモジュラーデザインを作成している。
論文 参考訳(メタデータ) (2022-04-01T00:02:30Z) - Design-Bench: Benchmarks for Data-Driven Offline Model-Based
Optimization [82.02008764719896]
ブラックボックスモデルに基づく最適化問題は、タンパク質、DNA配列、航空機、ロボットの設計など、幅広い領域で広く使われている。
本稿では,統合評価プロトコルと最近の手法の参照実装を備えたオフラインMBOのためのベンチマークであるDesign-Benchを提案する。
私たちのベンチマークには、生物学、材料科学、ロボット工学における現実世界の最適化問題から派生した、多種多様な現実的なタスクが含まれています。
論文 参考訳(メタデータ) (2022-02-17T05:33:27Z) - Optimization-Inspired Learning with Architecture Augmentations and
Control Mechanisms for Low-Level Vision [74.9260745577362]
本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。
フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。
低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
論文 参考訳(メタデータ) (2020-12-10T03:24:53Z) - Generalized and Scalable Optimal Sparse Decision Trees [56.35541305670828]
様々な目的に対して最適な決定木を生成する手法を提案する。
また,連続変数が存在する場合に最適な結果が得られるスケーラブルなアルゴリズムも導入する。
論文 参考訳(メタデータ) (2020-06-15T19:00:11Z) - Automatic Generation of Algorithms for Black-Box Robust Optimisation
Problems [0.0]
モデル実行回数に制限がある頑健なブラックボックス最適化問題に対処できるアルゴリズムを開発する。
我々は、Grammar-Guided Genetic Programmingというアルゴリズムの自動生成手法を採用している。
アルゴリズム構築ブロックは既存の手法と新機能の要素を組み合わせることで,新しい解空間を探索する。
論文 参考訳(メタデータ) (2020-04-15T18:51:33Z)
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。