論文の概要: What if we Increase the Number of Objectives? Theoretical and Empirical
Implications for Many-objective Optimization
- arxiv url: http://arxiv.org/abs/2106.03275v1
- Date: Sun, 6 Jun 2021 23:25:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-11 13:25:48.465221
- Title: What if we Increase the Number of Objectives? Theoretical and Empirical
Implications for Many-objective Optimization
- Title(参考訳): 目的の数を増やしたらどうなるでしょう?
多目的最適化の理論的および実証的含意
- Authors: Richard Allmendinger, Andrzej Jaszkiewicz, Arnaud Liefooghe,
Christiane Tammer
- Abstract要約: 本稿では,多くの目的に対処するための一般的な手順とアルゴリズムの実践的挙動と問題特性に対する目的数の影響について検討する。
我々は,アルゴリズム設計を支援するための実践的な勧告を導出するために,理論的および実証的な知見を利用する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The difficulty of solving a multi-objective optimization problem is impacted
by the number of objectives to be optimized. The presence of many objectives
typically introduces a number of challenges that affect the choice/design of
optimization algorithms. This paper investigates the drivers of these
challenges from two angles: (i) the influence of the number of objectives on
problem characteristics and (ii) the practical behavior of commonly used
procedures and algorithms for coping with many objectives. In addition to
reviewing various drivers, the paper makes theoretical contributions by
quantifying some drivers and/or verifying these drivers empirically by carrying
out experiments on multi-objective NK landscapes and other typical benchmarks.
We then make use of our theoretical and empirical findings to derive practical
recommendations to support algorithm design. Finally, we discuss remaining
theoretical gaps and opportunities for future research in the area of multi-
and many-objective optimization.
- Abstract(参考訳): 多目的最適化問題の解決の難しさは最適化対象の個数に影響される。
多くの目的が存在することは通常、最適化アルゴリズムの選択/設計に影響を与える多くの課題をもたらす。
本稿では,これらの課題の要因を,問題特性に対する対象数の影響,および,多くの目的に対応するための一般的な手順やアルゴリズムの実用的行動,という2つの角度から検討する。
様々なドライバのレビューに加えて,複数のドライバの定量化や,マルチ目的nkランドスケープおよび他の典型的なベンチマーク実験によって,ドライバを経験的に検証することにより,理論的に寄与する。
そこで我々は,アルゴリズム設計を支援するための実用的な勧告を導出するために,理論的および実証的な知見を利用する。
最後に,多目的・多目的最適化分野における今後の研究機会と理論ギャップについて考察する。
関連論文リスト
- The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [56.00281164118548]
LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。
本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
論文 参考訳(メタデータ) (2023-12-01T16:00:25Z) - Achieving Diversity in Objective Space for Sample-efficient Search of
Multiobjective Optimization Problems [4.732915763557618]
本稿では,LMS 取得機能を導入し,その挙動と特性を解析し,その実現可能性を示す。
この手法は、意思決定者に対して、将来性のある設計決定の堅牢なプールを提供し、優れたソリューションの空間をよりよく理解するのに役立つ。
論文 参考訳(メタデータ) (2023-06-23T20:42:22Z) - Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。
薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。
GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文 参考訳(メタデータ) (2022-10-23T16:15:36Z) - A Study of Scalarisation Techniques for Multi-Objective QUBO Solving [0.0]
量子および量子に着想を得た最適化アルゴリズムは、学術ベンチマークや実世界の問題に適用した場合に有望な性能を示す。
しかし、QUBOソルバは単目的解法であり、複数の目的による問題の解法をより効率的にするためには、そのような多目的問題を単目的問題に変換する方法を決定する必要がある。
論文 参考訳(メタデータ) (2022-10-20T14:54:37Z) - Alleviating Search Bias in Bayesian Evolutionary Optimization with Many
Heterogeneous Objectives [9.139734850798124]
異種目的(HE-MOP)を用いた多目的最適化問題に対処する。
高速な目的に対して探索バイアスを緩和する新たな獲得関数を提案する。
提案アルゴリズムの有効性を,多目的・多目的のベンチマーク問題で検証することによって実証する。
論文 参考訳(メタデータ) (2022-08-25T17:07:40Z) - Multi-Objective Quality Diversity Optimization [2.4608515808275455]
MOME(Multi-Objective MAP-Elites)の多目的設定におけるMAP-Elitesアルゴリズムの拡張を提案する。
すなわち、MAP-Elitesグリッドアルゴリズムから受け継いだ多様性と、多目的最適化の強みを組み合わせる。
本手法は,標準的な最適化問題からロボットシミュレーションまで,いくつかのタスクで評価する。
論文 参考訳(メタデータ) (2022-02-07T10:48:28Z) - Multi-Objective Constrained Optimization for Energy Applications via
Tree Ensembles [55.23285485923913]
エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。
場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。
本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
論文 参考訳(メタデータ) (2021-11-04T20:18:55Z) - An Overview and Experimental Study of Learning-based Optimization
Algorithms for Vehicle Routing Problem [49.04543375851723]
車両ルーティング問題(VRP)は典型的な離散最適化問題である。
多くの研究は、VRPを解決するための学習に基づく最適化アルゴリズムについて検討している。
本稿では、最近のこの分野の進歩を概観し、関連するアプローチをエンドツーエンドアプローチとステップバイステップアプローチに分割する。
論文 参考訳(メタデータ) (2021-07-15T02:13:03Z) - A Niching Indicator-Based Multi-modal Many-objective Optimizer [7.81768535871051]
目的の数が3以上であるマルチモーダル多目的最適化の効率的な方法は存在しない。
本稿では,ニッチインジケータに基づくマルチモーダル多目的・多目的最適化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-10-01T07:45:46Z) - A Theory of Multiple-Source Adaptation with Limited Target Labeled Data [66.53679520072978]
モデル選択のアイデアに基づく新しいアルゴリズムのファミリーは,このシナリオにおいて非常に望ましい保証から恩恵を受けることを示す。
また,本アルゴリズムの実用性を示すいくつかの実験結果についても報告する。
論文 参考訳(メタデータ) (2020-07-19T19:34:48Z) - Pareto Multi-Task Learning [53.90732663046125]
マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。
異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。
近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
論文 参考訳(メタデータ) (2019-12-30T08:58:40Z)
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。