論文の概要: Batched Data-Driven Evolutionary Multi-Objective Optimization Based on
Manifold Interpolation
- arxiv url: http://arxiv.org/abs/2109.05639v1
- Date: Sun, 12 Sep 2021 23:54:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-15 07:17:54.304852
- Title: Batched Data-Driven Evolutionary Multi-Objective Optimization Based on
Manifold Interpolation
- Title(参考訳): 多様体補間に基づくバッチデータ駆動進化的多目的最適化
- Authors: Ke Li, Renzhi Chen
- Abstract要約: バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。
オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。
提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
- 参考スコア(独自算出の注目度): 6.560512252982714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-objective optimization problems are ubiquitous in real-world science,
engineering and design optimization problems. It is not uncommon that the
objective functions are as a black box, the evaluation of which usually involve
time-consuming and/or costly physical experiments. Data-driven evolutionary
optimization can be used to search for a set of non-dominated trade-off
solutions, where the expensive objective functions are approximated as a
surrogate model. In this paper, we propose a framework for implementing batched
data-driven evolutionary multi-objective optimization. It is so general that
any off-the-shelf evolutionary multi-objective optimization algorithms can be
applied in a plug-in manner. In particular, it has two unique components: 1)
based on the Karush-Kuhn-Tucker conditions, a manifold interpolation approach
that explores more diversified solutions with a convergence guarantee along the
manifold of the approximated Pareto-optimal set; and 2) a batch recommendation
approach that reduces the computational time of the optimization process by
evaluating multiple samples at a time in parallel. Experiments on 136 benchmark
test problem instances with irregular Pareto-optimal front shapes against six
state-of-the-art surrogate-assisted EMO algorithms fully demonstrate the
effectiveness and superiority of our proposed framework. In particular, our
proposed framework is featured with a faster convergence and a stronger
resilience to various PF shapes.
- Abstract(参考訳): 多目的最適化問題は、実世界の科学、工学、設計の最適化問題においてユビキタスである。
目的関数がブラックボックスであることは珍しくなく、その評価には通常、時間と費用のかかる物理実験が含まれる。
データ駆動進化最適化は、高価な目的関数を代理モデルとして近似する非支配的なトレードオフソリューションのセットを探索するために使うことができる。
本稿では,データ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。
既定進化的多目的最適化アルゴリズムはプラグイン方式で適用できるほど一般的である。
特に2つのユニークな構成要素がある。
1)karush-kuhn-tucker条件に基づき、近似パレート最適集合の多様体に沿った収束保証を伴うより多様な解を探索する多様体補間アプローチ。
2)複数のサンプルを並列に評価することにより,最適化プロセスの計算時間を短縮するバッチレコメンデーション手法を提案する。
6つの最先端サーロゲート支援emoアルゴリズムに対する不規則なpareto-optimal front shapeを持つ136のベンチマークテストインスタンスの実験により,提案手法の有効性と優位性が実証された。
特に,提案するフレームワークには,より高速な収束と各種PF形状に対する強いレジリエンスが特徴的である。
関連論文リスト
- Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
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。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳(メタデータ) (2023-12-28T23:15:18Z) - 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) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳(メタデータ) (2023-05-31T12:07:50Z) - A Survey on Multi-Objective based Parameter Optimization for Deep
Learning [1.3223682837381137]
深層ニューラルネットワークを用いたパラメータ最適化における多目的最適化手法の有効性について検討する。
これら2つの手法を組み合わせて、複数のアプリケーションにおける予測と分析の生成に関する貴重な洞察を提供する。
論文 参考訳(メタデータ) (2023-05-17T07:48:54Z) - 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) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳(メタデータ) (2022-10-27T01:58:10Z) - Late Fusion Multi-view Clustering via Global and Local Alignment
Maximization [61.89218392703043]
マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。
既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。
これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
論文 参考訳(メタデータ) (2022-08-02T01:49:31Z) - Data-Driven Evolutionary Multi-Objective Optimization Based on
Multiple-Gradient Descent for Disconnected Pareto Fronts [6.560512252982714]
本稿では,データ駆動型進化的多目的最適化(EMO)アルゴリズムを提案する。
そのインフィル基準は、高価な客観的関数評価を行うための、有望な候補ソリューションのバッチを推奨している。
論文 参考訳(メタデータ) (2022-05-28T06:01:41Z) - A novel multiobjective evolutionary algorithm based on decomposition and
multi-reference points strategy [14.102326122777475]
分解に基づく多目的進化アルゴリズム(MOEA/D)は、多目的最適化問題(MOP)を解く上で、極めて有望なアプローチであると考えられている。
本稿では,よく知られたPascoletti-Serafiniスキャラライゼーション法とマルチ参照ポイントの新たな戦略により,MOEA/Dアルゴリズムの改良を提案する。
論文 参考訳(メタデータ) (2021-10-27T02:07:08Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳(メタデータ) (2020-10-15T18:09:48Z) - Adaptive Sampling of Pareto Frontiers with Binary Constraints Using
Regression and Classification [0.0]
本稿では,二項制約を持つブラックボックス多目的最適化問題に対する適応最適化アルゴリズムを提案する。
本手法は確率的回帰モデルと分類モデルに基づいており,最適化目標のサロゲートとして機能する。
また,予想される超体積計算を高速化するために,新しい楕円形トランケーション法を提案する。
論文 参考訳(メタデータ) (2020-08-27T09:15:02Z)
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。