論文の概要: Generating Large-scale Dynamic Optimization Problem Instances Using the Generalized Moving Peaks Benchmark

• arxiv url: http://arxiv.org/abs/2107.11019v1
• Date: Fri, 23 Jul 2021 03:57:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-26 14:15:39.552387
• Title: Generating Large-scale Dynamic Optimization Problem Instances Using the Generalized Moving Peaks Benchmark
• Title（参考訳）: 一般化移動ピークベンチマークを用いた大規模動的最適化問題の生成
• Authors: Mohammad Nabi Omidvar, Danial Yazdani, Juergen Branke, Xiaodong Li, Shengxiang Yang, Xin Yao
• Abstract要約: 本論文では, 一般化移動ピークベンチマーク(GMPB)と, 連続的な大規模動的最適化問題に対する問題インスタンスの生成方法について述べる。 15のベンチマーク問題、関連するソースコード、および大規模動的最適化における比較研究と競合のために設計されたパフォーマンス指標を提示する。
• 参考スコア（独自算出の注目度）: 9.109331015600185
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This document describes the generalized moving peaks benchmark (GMPB) and how it can be used to generate problem instances for continuous large-scale dynamic optimization problems. It presents a set of 15 benchmark problems, the relevant source code, and a performance indicator, designed for comparative studies and competitions in large-scale dynamic optimization. Although its primary purpose is to provide a coherent basis for running competitions, its generality allows the interested reader to use this document as a guide to design customized problem instances to investigate issues beyond the scope of the presented benchmark suite. To this end, we explain the modular structure of the GMPB and how its constituents can be assembled to form problem instances with a variety of controllable characteristics ranging from unimodal to highly multimodal, symmetric to highly asymmetric, smooth to highly irregular, and various degrees of variable interaction and ill-conditioning.
• Abstract（参考訳）: 本論文は、GMPB(Generalized moving peaks benchmark)と、連続した大規模動的最適化問題に対する問題インスタンスの生成方法について述べる。 15のベンチマーク問題、関連するソースコード、および大規模動的最適化における比較研究と競合のために設計されたパフォーマンス指標を提示する。 その主な目的は、競争を実行するための一貫性のある基盤を提供することであるが、その汎用性により、興味のある読者は、この文書をカスタマイズされた問題インスタンスを設計して、提示されたベンチマークスイートの範囲を超えて問題を調査するためのガイドとして使うことができる。 そこで本研究では,gmpbのモジュラー構造と,その構成成分を組み立てることで,ユニモーダルから高マルチモーダル,対称,高非対称,滑らか,高不規則,多変量相互作用や不定形化といった様々な制御可能な特性を持つ問題インスタンスを形成する方法について述べる。

関連論文リスト

• Rewards-in-Context: Multi-objective Alignment of Foundation Models with Dynamic Preference Adjustment [46.44464839353993]
  リワード・イン・コンテキスト(Rewards-in-Context, RiC)を導入する。 RiCは単一のファンデーションモデルの教師付き微調整のみを必要とし、推論時間中にユーザの好みを動的に調整する。
  論文  参考訳（メタデータ） (2024-02-15T18:58:31Z)
• GNBG: A Generalized and Configurable Benchmark Generator for Continuous Numerical Optimization [5.635586285644365]
  さまざまな特徴を持つさまざまな問題インスタンスを含むベンチマークテストスイートを使用することが重要です。 従来のベンチマークスイートは、しばしば多数の固定テスト関数で構成されており、これらを特定の研究目的と整合させることが困難である。 本稿では,単目的,ボックス制約,連続的な数値最適化のための一般化数値ベンチマークジェネレータ(GNBG)を提案する。
  論文  参考訳（メタデータ） (2023-12-12T09:04:34Z)
• GNBG-Generated Test Suite for Box-Constrained Numerical Global Optimization [5.804807909435654]
  本論文では,ボックス制約の数値的大域最適化問題インスタンスを24個導入する。 ケースは、様々のモジュラリティ、頑丈さ、対称性、条件付け、可変相互作用構造、盆地の線形性、偽造性など、幅広い問題の特徴をカバーしている。
  論文  参考訳（メタデータ） (2023-12-12T07:40:12Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• A Scalable Test Problem Generator for Sequential Transfer Optimization [32.171233314036286]
  シーケンシャルトランスファー最適化(STO)は、データベースに格納された事前解決された最適化タスクを活用することにより、関心のあるタスクにおける最適化性能を改善することを目的としている。 既存のテスト問題は、単に他のベンチマーク関数を組み立てることによって生成されるか、あるいはスケーラビリティに制限のある特定の実践的な問題から拡張される。 本研究ではまず,STO問題を特徴付ける4つの概念を紹介する。
  論文  参考訳（メタデータ） (2023-04-17T06:48:07Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  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。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• 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)
• Competition on Dynamic Optimization Problems Generated by Generalized Moving Peaks Benchmark (GMPB) [5.1812733319583915]
  本書では、GMPB(Generalized moving Benchmark)を紹介する。 GMPBは、幅広い特徴を持つ景観を生成するのに適している。 この文書はGMPBの複雑さを掘り下げ、そのパラメータを調整してこれらの多様な景観特性を創出する方法を詳述している。
  論文  参考訳（メタデータ） (2021-06-11T05:31:01Z)
• Joint Continuous and Discrete Model Selection via Submodularity [1.332560004325655]
  機械学習のモデル選択問題では、意味のある構造を持つ優れたモデルに対する欲求は、典型的には正規化された最適化問題によって表される。 しかし、多くのシナリオでは、数値的に意味のある構造が離散空間において特定され、難しい非最適化問題を引き起こす。 我々は、ロバスト最適化によって動機づけられた特定の問題クラスに対して、単純な連続的あるいは離散的な制約をいかに扱うかを示す。
  論文  参考訳（メタデータ） (2021-02-17T21:14:47Z)
• 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)
• Posterior Differential Regularization with f-divergence for Improving Model Robustness [95.05725916287376]
  クリーン入力とノイズ入力のモデル後部差を規則化する手法に着目する。 後微分正則化を$f$-divergencesの族に一般化する。 実験の結果, 後方微分を$f$-divergenceで正規化することで, モデルロバスト性の向上が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-10-23T19:58:01Z)

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。