論文の概要: Evolutionary Algorithms for Solving Unconstrained, Constrained and
Multi-objective Noisy Combinatorial Optimisation Problems
- arxiv url: http://arxiv.org/abs/2110.02288v1
- Date: Tue, 5 Oct 2021 18:51:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-12 10:07:43.130857
- Title: Evolutionary Algorithms for Solving Unconstrained, Constrained and
Multi-objective Noisy Combinatorial Optimisation Problems
- Title(参考訳): 非拘束的・制約的・多目的な組合せ最適化問題を解く進化的アルゴリズム
- Authors: Aishwaryaprajna, Jonathan E. Rowe
- Abstract要約: 本稿では,様々な雑音最適化問題に適用された進化的アルゴリズムについて実験的に考察する。
UMDA と Paired-Crossover Evolutionary Algorithm (PCEA) はノイズに頑健に対処できる唯一のアルゴリズムである。
UMDAとその変種は、様々な雑音の最適化問題に対して高い効果を発揮すると結論付けている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present an empirical study of a range of evolutionary algorithms applied
to various noisy combinatorial optimisation problems. There are three sets of
experiments. The first looks at several toy problems, such as OneMax and other
linear problems. We find that UMDA and the Paired-Crossover Evolutionary
Algorithm (PCEA) are the only ones able to cope robustly with noise, within a
reasonable fixed time budget. In the second stage, UMDA and PCEA are then
tested on more complex noisy problems: SubsetSum, Knapsack and SetCover. Both
perform well under increasing levels of noise, with UMDA being the better of
the two. In the third stage, we consider two noisy multi-objective problems
(CountingOnesCountingZeros and a multi-objective formulation of SetCover). We
compare several adaptations of UMDA for multi-objective problems with the
Simple Evolutionary Multi-objective Optimiser (SEMO) and NSGA-II. We conclude
that UMDA, and its variants, can be highly effective on a variety of noisy
combinatorial optimisation, outperforming many other evolutionary algorithms.
- Abstract(参考訳): 本稿では,様々な雑音の組合せ最適化問題に適用する進化的アルゴリズムについて実験的検討を行った。
実験には3つのセットがある。
1つ目は、OneMaxや他の線形問題など、いくつかのおもちゃの問題だ。
UMDA と Paired-Crossover Evolutionary Algorithm (PCEA) は、適切な固定時間予算で、ノイズに頑健に対処できる唯一のアルゴリズムである。
第2段階では、umda と pcea がより複雑なノイズ問題である subsetsum, knapsack, setcover でテストされる。
どちらもノイズのレベルが上がる中では良好に動作し、UMDAは2つより優れている。
第3段階では、ノイズの多い2つの多目的問題 (countingonescountingzeros and a multi-objective formula of setcover) を考える。
多目的問題に対するUMDAのいくつかの適応を、単純な進化的多目的オプティマイザ(SEMO)とNSGA-IIと比較する。
UMDAとその変種は、様々な雑音の組合せ最適化において非常に効果的であり、他の多くの進化的アルゴリズムよりも優れていると結論付けている。
関連論文リスト
- A Two-stage Evolutionary Framework For Multi-objective Optimization [8.253379910879795]
多目的最適化のための2段階進化フレームワーク(TEMOF)
1つの古典的MOEAと2つの最先端MOEAがフレームワークに統合され、3つの新しいアルゴリズムが形成される。
3つの新しいアルゴリズムの勝者は、既存のMOEAと比較され、より良い結果を示す。
論文 参考訳(メタデータ) (2024-07-09T04:14:59Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳(メタデータ) (2024-05-01T09:34:42Z) - Batch Bayesian Optimization for Replicable Experimental Design [56.64902148159355]
多くの実世界の設計問題は、大規模で異質な観測ノイズのため、複数の実験条件を並列に評価し、各条件を複数回再現する。
本稿では,3つのアルゴリズムを含むReplicable Experimental Designフレームワークのバッチトンプソンサンプリングを提案する。
我々は,アルゴリズムの有効性を,精密農業とAutoMLの2つの実世界の応用例で示す。
論文 参考訳(メタデータ) (2023-11-02T12:46:03Z) - Distributed Extra-gradient with Optimal Complexity and Communication
Guarantees [60.571030754252824]
複数のプロセッサ/ワーカー/クライアントがローカルなデュアルベクトルにアクセス可能なマルチGPU設定において、モノトン変分不等式(VI)問題を考察する。
モノトーンVI問題に対するデファクトアルゴリズムであるExtra-gradientは、通信効率が良くないように設計されている。
そこで本稿では,VI の解法に適した非バイアスで適応的な圧縮手法である量子化一般化外部勾配 (Q-GenX) を提案する。
論文 参考訳(メタデータ) (2023-08-17T21:15:04Z) - Multiple Kernel Clustering with Dual Noise Minimization [56.009011016367744]
マルチカーネルクラスタリング(MKC)は、ベースカーネルから補完的な情報を統合することでデータをグループ化する。
本稿では,双対雑音を厳密に定義し,パラメータフリーなMKCアルゴリズムを提案する。
二重ノイズはブロック対角構造を汚染し,クラスタリング性能の劣化を招き,CノイズはNノイズよりも強い破壊を示す。
論文 参考訳(メタデータ) (2022-07-13T08:37:42Z) - An Effective and Efficient Evolutionary Algorithm for Many-Objective
Optimization [2.5594423685710814]
様々な多目的問題に対処できる効率的な進化的アルゴリズム(E3A)を開発した。
SDEにインスパイアされたE3Aでは,新しい集団維持法が提案されている。
我々は、広範囲な実験を行い、E3Aが11の最先端の多目的進化アルゴリズムより優れていることを示す。
論文 参考訳(メタデータ) (2022-05-31T15:35:46Z) - An Application of a Multivariate Estimation of Distribution Algorithm to
Cancer Chemotherapy [59.40521061783166]
癌に対する化学療法治療は、多数の相互作用する変数と制約を持つ複雑な最適化問題である。
より洗練されたアルゴリズムは、このような複雑な問題に対してより良いパフォーマンスをもたらすことが示される。
我々は、この問題における多数の相互作用によって、より洗練されたアルゴリズムが妨げられていることが原因であると仮定する。
論文 参考訳(メタデータ) (2022-05-17T15:28:46Z) - 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) - Decomposition in Decision and Objective Space for Multi-Modal
Multi-Objective Optimization [15.681236469530397]
多モード多目的最適化問題(MMMOP)はパレート最適集合内に複数の部分集合を持つ。
一般的な多目的進化的アルゴリズムは、複数の解部分集合を探索するために純粋に設計されていないが、MMMOP向けに設計されたアルゴリズムは、目的空間における劣化した性能を示す。
これは、MMMOPに対処するためのより良いアルゴリズムの設計を動機付けている。
論文 参考訳(メタデータ) (2020-06-04T03:18:47Z) - Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization [0.0]
本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。
MoHAEAは、MOEA/D、pa$lambda$-MOEA/D、MOEA/D-AWA、NSGA-IIの4つの状態と比較される。
論文 参考訳(メタデータ) (2020-04-29T02:16:49Z) - GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal
Black Box Constraint Satisfaction [69.94831587339539]
本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。
我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
論文 参考訳(メタデータ) (2020-02-17T20:21:20Z)
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。