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
- METAFOR: A Hybrid Metaheuristics Software Framework for Single-Objective Continuous Optimization Problems [0.1053373860696675]
本稿では,メタヒューリスティクスを自動設計するアルゴリズム構成ツールと組み合わせて,メタヒューリスティクスを自動設計する,METAFORと呼ばれるモジュール型メタヒューリスティクスソフトウェアフレームワークを提案する。
我々は,17種類のメタヒューリスティックな実装を自動的に生成し,その性能を一連の連続最適化問題で評価する。
論文 参考訳（メタデータ） (2025-02-16T18:24:44Z) - A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳（メタデータ） (2024-12-18T14:11:15Z) - STAR: Synthesis of Tailored Architectures [61.080157488857516]
本稿では, 適合型アーキテクチャ (STAR) の新規な合成手法を提案する。
提案手法は線形入力可変系の理論に基づく新しい探索空間を結合し,階層的な数値エンコーディングをアーキテクチャゲノムに支持する。STARゲノムは,複数のモデル品質と効率の指標に最適化するために,勾配のない進化的アルゴリズムで自動的に精製・組換えされる。
STARを用いて、多種多様な計算単位と相互接続パターンを活用し、品質、パラメータサイズ、および自動回帰言語モデリングのための推論キャッシュのフロンティアにおける高度に最適化されたトランスフォーマーとストライプハイブリッドモデルを改善する。
論文 参考訳（メタデータ） (2024-11-26T18:42:42Z) - Introducing Interactions in Multi-Objective Optimization of Software Architectures [3.483484684588142]
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) - 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。