論文の概要: Preference Incorporation into Many-Objective Optimization: An
Outranking-based Ant Colony Algorithm
- arxiv url: http://arxiv.org/abs/2107.07121v1
- Date: Thu, 15 Jul 2021 05:01:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 05:30:15.697949
- Title: Preference Incorporation into Many-Objective Optimization: An
Outranking-based Ant Colony Algorithm
- Title（参考訳）: 多目的最適化への優先的組み込み:外見に基づくAnt Colonyアルゴリズム
- Authors: Gilberto Rivera, Carlos A. Coello Coello, Laura Cruz-Reyes, Eduardo R.
Fernandez, Claudia Gomez-Santillan, and Nelson Rangel-Valdez
- Abstract要約: 我々は,多目的Ant Colony Optimization (ACO) を開発した。
導入されたInterval Out rankベースのACO(IO-ACO)は、DMの嗜好の曖昧さと不定義に対処するために、最上位のモデルを組み込んだ最初の ant-colonyである。
- 参考スコア（独自算出の注目度）: 0.08795040582681389
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we enriched Ant Colony Optimization (ACO) with interval
outranking to develop a novel multiobjective ACO optimizer to approach problems
with many objective functions. This proposal is suitable if the preferences of
the Decision Maker (DM) can be modeled through outranking relations. The
introduced algorithm (named Interval Outranking-based ACO, IO-ACO) is the first
ant-colony optimizer that embeds an outranking model to bear vagueness and
ill-definition of DM preferences. This capacity is the most differentiating
feature of IO-ACO because this issue is highly relevant in practice. IO-ACO
biases the search towards the Region of Interest (RoI), the privileged zone of
the Pareto frontier containing the solutions that better match the DM
preferences. Two widely studied benchmarks were utilized to measure the
efficiency of IO-ACO, i.e., the DTLZ and WFG test suites. Accordingly, IO-ACO
was compared with two competitive many-objective optimizers: The
Indicator-based Many-Objective ACO and the Multiobjective Evolutionary
Algorithm Based on Decomposition. The numerical results show that IO-ACO
approximates the Region of Interest (RoI) better than the leading
metaheuristics based on approximating the Pareto frontier alone.
- Abstract（参考訳）: 本稿では,多くの目的関数を持つ問題にアプローチする新しい多目的ACOオプティマイザを開発するために,ACO(Ant Colony Optimization)を段階的に拡張した。
この提案は、意思決定者(DM)の嗜好が上位関係を通してモデル化できる場合に適している。
導入されたアルゴリズム(Interval Out rank-based ACO, IO-ACO)は、DM選好の曖昧さと不定義性に対処するために上位モデルの組み込んだ最初のアリコニーオプティマイザである。
この能力はIO-ACOの最も重要な差別化機能である。
IO-ACOは、DMの好みに合うソリューションを含むParetoフロンティアの特権区域であるRerea of Interest(RoI)への探索をバイアスしている。
2つの広く研究されたベンチマークを用いて、IO-ACO、すなわちDTLZとWFGテストスイートの効率を測定した。
したがって、IO-ACOは、IndicatorベースのMulti-Objective ACOと、分解に基づく多目的進化アルゴリズムの2つの競合する多目的最適化アルゴリズムと比較された。
その結果,IO-ACOはパレートフロンティアのみの近似に基づく主要なメタヒューリスティックスよりも関心領域(RoI)を近似した。
関連論文リスト
- Ordinal Preference Optimization: Aligning Human Preferences via NDCG [28.745322441961438]
我々は、NDCGを異なる代理損失で近似することで、エンドツーエンドの選好最適化アルゴリズムを開発する。
OPOは、AlpacaEvalのような評価セットや一般的なベンチマークにおいて、既存のペアワイズおよびリストワイズアプローチよりも優れています。
論文 参考訳（メタデータ） (2024-10-06T03:49:28Z) - LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。
このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
論文 参考訳（メタデータ） (2024-10-03T18:12:29Z) - Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。
目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。
DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
論文 参考訳（メタデータ） (2024-08-14T11:29:47Z) - Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。
この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。
セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
論文 参考訳（メタデータ） (2024-04-16T17:38:26Z) - 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) - Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。
我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。
本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
論文 参考訳（メタデータ） (2023-11-13T13:19:34Z) - Bidirectional Looking with A Novel Double Exponential Moving Average to
Adaptive and Non-adaptive Momentum Optimizers [109.52244418498974]
我々は,新しいtextscAdmeta(textbfADouble指数textbfMov averagtextbfE textbfAdaptiveおよび非適応運動量)フレームワークを提案する。
我々は、textscAdmetaR と textscAdmetaS の2つの実装を提供し、前者は RAdam を、後者は SGDM をベースとしています。
論文 参考訳（メタデータ） (2023-07-02T18:16:06Z) - Interactive Evolutionary Multi-Objective Optimization via
Learning-to-Rank [8.421614560290609]
本稿では,関心の解(SOI)を対話的に見つけるために,嗜好に基づくEMOアルゴリズムを設計するためのフレームワークを開発する。
EMOの中核となる考え方は、人間をEMOのループに巻き込むことだ。何回か繰り返すと、DMは数人の現職候補者に対してフィードバックを求めるよう招待される。
このような情報を集めることで、彼女の好みは学習からランクまでニューラルネットワークによって徐々に学習され、次にベースラインEMOアルゴリズムを導出するために応用される。
論文 参考訳（メタデータ） (2022-04-06T06:34:05Z) - A Simple Evolutionary Algorithm for Multi-modal Multi-objective
Optimization [0.0]
マルチモーダル・多目的最適化問題(MMOP)を解くための定常進化アルゴリズムを提案する。
本報告では,1000関数評価の低計算予算を用いて,様々なテストスイートから得られた21個のMMOPの性能について報告する。
論文 参考訳（メタデータ） (2022-01-18T03:31:11Z) - A Case Study on Optimization of Warehouses [2.2101681534594237]
倉庫では、労働者が倉庫の業績の大部分を担っている最も労働集約的でコストがかかる作業である。
本研究は,メザニン倉庫における倉庫配置の最適化と受注問題について,その相互的影響について検討する。
論文 参考訳（メタデータ） (2021-11-23T07:22:57Z) - RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。
この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。
ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
論文 参考訳（メタデータ） (2021-10-27T05:37:12Z)
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。