論文の概要: Decomposition Multi-Objective Evolutionary Optimization: From State-of-the-Art to Future Opportunities

• arxiv url: http://arxiv.org/abs/2108.09588v1
• Date: Sat, 21 Aug 2021 22:21:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 21:01:07.113582
• Title: Decomposition Multi-Objective Evolutionary Optimization: From State-of-the-Art to Future Opportunities
• Title（参考訳）: 分解多目的進化最適化:最先端から将来の機会へ
• Authors: Ke Li
• Abstract要約: 本報告では,MOEA/Dの原点から現状への展開について概説する。 MOEA/Dの選定された主要な開発は、そのコア設計コンポーネントに従ってレビューされる。 今後の発展に向けて、新たな方向性に光を当てた。
• 参考スコア（独自算出の注目度）: 5.760976250387322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decomposition has been the mainstream approach in the classic mathematical programming for multi-objective optimization and multi-criterion decision-making. However, it was not properly studied in the context of evolutionary multi-objective optimization until the development of multi-objective evolutionary algorithm based on decomposition (MOEA/D). In this article, we present a comprehensive survey of the development of MOEA/D from its origin to the current state-of-the-art approaches. In order to be self-contained, we start with a step-by-step tutorial that aims to help a novice quickly get onto the working mechanism of MOEA/D. Then, selected major developments of MOEA/D are reviewed according to its core design components including weight vector settings, sub-problem formulations, selection mechanisms and reproduction operators. Besides, we also overviews some further developments for constraint handling, computationally expensive objective functions, preference incorporation, and real-world applications. In the final part, we shed some lights on emerging directions for future developments.
• Abstract（参考訳）: 分解は、多目的最適化と多条件決定のための古典的な数学的プログラミングにおける主流のアプローチである。 しかし、進化的多目的最適化の文脈では、分解(MOEA/D)に基づく多目的進化アルゴリズムの開発まで適切に研究されなかった。 本稿では,moea/dの開発をその起源から現在の技術動向まで包括的に調査する。 自己完結するために、初心者がmoea/dの動作メカニズムに素早く乗り出すのを助けるためのステップバイステップのチュートリアルから始めます。 次に, 重みベクトル設定, サブプロブレム定式化, 選択機構, 再生演算子など, 基本設計要素に従ってMOEA/Dの選定を概観する。 さらに,制約処理,計算コストの高い客観的関数,選好統合,実世界のアプリケーションについても概説する。 最終段階では、今後の発展に向けた新たな方向性に光を当てました。

関連論文リスト

• An Inverse Modeling Constrained Multi-Objective Evolutionary Algorithm Based on Decomposition [0.0]
  本稿では,分解(IM-C-MOEA/D)に基づく逆モデリング制約付き多目的進化アルゴリズムを提案する。 提案手法は多種多様な実世界の問題(RWMOP1-35)に対して実験的に評価され、最先端の制約付き多目的進化アルゴリズム(CMOEA)よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-24T23:24:44Z)
• Coding for Intelligence from the Perspective of Category [66.14012258680992]
  符号化の対象はデータの圧縮と再構成、インテリジェンスである。 最近の傾向は、これらの2つの分野の潜在的均一性を示している。 本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
  論文  参考訳（メタデータ） (2024-07-01T07:05:44Z)
• A Survey of Decomposition-Based Evolutionary Multi-Objective Optimization: Part I-Past and Future [5.074835777266041]
  進化的多目的最適化の文脈では分解は適切に研究されなかった。 MoEA/Dは、この領域の最新の開発をレビューするために、分解ベースのEMOの代表である。 第1部では,MOEA/Dの発展を起源から現在までの包括的調査を行う。 最終段階では、今後の発展に向けての新たな方向性に光を当てています。
  論文  参考訳（メタデータ） (2024-04-22T20:34:46Z)
• Generative AI Agent for Next-Generation MIMO Design: Fundamentals, Challenges, and Vision [76.4345564864002]
  次世代の多重入力多重出力(MIMO)はインテリジェントでスケーラブルであることが期待される。 本稿では、カスタマイズされた特殊コンテンツを生成することができる生成型AIエージェントの概念を提案する。 本稿では、生成AIエージェントをパフォーマンス分析に活用することの有効性を示す2つの説得力のあるケーススタディを示す。
  論文  参考訳（メタデータ） (2024-04-13T02:39:36Z)
• EmoDM: A Diffusion Model for Evolutionary Multi-objective Optimization [22.374325061635112]
  この研究は、EmoDMと呼ばれる進化的多目的探索を学習できる拡散モデルを提案する。 EmoDMは、新たなMOPに対して、さらなる進化的な探索をすることなく、その逆拡散によって、一組の非支配的なソリューションを生成することができる。 実験により,探索性能と計算効率の両面から,EmoDMの競合性を示す。
  論文  参考訳（メタデータ） (2024-01-29T07:41:44Z)
• Pre-Evolved Model for Complex Multi-objective Optimization Problems [3.784829029016233]
  多目的最適化問題(MOP)は、複数の目的の同時最適化を必要とする。 本稿では、MOEAが多様な複雑なMOPに対して高品質な人口を生み出すための事前進化の概念を提案する。
  論文  参考訳（メタデータ） (2023-12-11T05:16:58Z)
• Let's reward step by step: Step-Level reward model as the Navigators for Reasoning [64.27898739929734]
  Process-Supervised Reward Model (PRM)は、トレーニングフェーズ中にステップバイステップのフィードバックをLLMに提供する。 LLMの探索経路を最適化するために,PRMからのステップレベルのフィードバックを応用した欲求探索アルゴリズムを提案する。 提案手法の汎用性を探るため,コーディングタスクのステップレベル報酬データセットを自動生成する手法を開発し,コード生成タスクにおける同様の性能向上を観察する。
  論文  参考訳（メタデータ） (2023-10-16T05:21:50Z)
• A Survey of Contextual Optimization Methods for Decision Making under Uncertainty [47.73071218563257]
  この記事では、データからポリシーを学ぶための3つの主要なフレームワークを特定し、その強みと限界について論じる。 統一的な表記と用語の下で既存のモデルとメソッドを示し、これらを3つの主要なフレームワークに従って分類する。
  論文  参考訳（メタデータ） (2023-06-17T15:21:02Z)
• Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
  本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。 シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
  論文  参考訳（メタデータ） (2022-09-15T07:22:58Z)
• A Survey on Learnable Evolutionary Algorithms for Scalable Multiobjective Optimization [0.0]
  多目的進化アルゴリズム(MOEA)は、様々な多目的最適化問題(MOP)を解決するために採用されている。 しかし、これらの進歩的に改善されたMOEAは、必ずしも高度にスケーラブルで学習可能な問題解決戦略を備えていない。 異なるシナリオの下では、効果的に解決するための新しい強力なMOEAを設計する必要がある。 MOPをスケールアップするための機械学習技術で自身を操る学習可能なMOEAの研究は、進化計算の分野で広く注目を集めている。
  論文  参考訳（メタデータ） (2022-06-23T08:16:01Z)
• 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)

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。