論文の概要: Self-adaptive Multi-task Particle Swarm Optimization

• arxiv url: http://arxiv.org/abs/2110.04473v1
• Date: Sat, 9 Oct 2021 06:45:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 18:54:17.810560
• Title: Self-adaptive Multi-task Particle Swarm Optimization
• Title（参考訳）: 自己適応型マルチタスク粒子群最適化
• Authors: Xiaolong Zheng, Deyun Zhou, Na Li, Yu Lei, Tao Wu, Maoguo Gong
• Abstract要約: 我々は,知識伝達適応戦略,焦点探索戦略,知識導入戦略を通じて,自己適応型マルチタスク粒子群最適化(SaMTPSO)を開発した。 SaMTPSOの結果は3つのEMTOアルゴリズムとパーティクルスウォームアルゴリズムを比較しており、SaMTPSOの優位性を示している。
• 参考スコア（独自算出の注目度）: 24.72438489328286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-task optimization (MTO) studies how to simultaneously solve multiple optimization problems for the purpose of obtaining better performance on each problem. Over the past few years, evolutionary MTO (EMTO) was proposed to handle MTO problems via evolutionary algorithms. So far, many EMTO algorithms have been developed and demonstrated well performance on solving real-world problems. However, there remain many works to do in adapting knowledge transfer to task relatedness in EMTO. Different from the existing works, we develop a self-adaptive multi-task particle swarm optimization (SaMTPSO) through the developed knowledge transfer adaptation strategy, the focus search strategy and the knowledge incorporation strategy. In the knowledge transfer adaptation strategy, each task has a knowledge source pool that consists of all knowledge sources. Each source (task) outputs knowledge to the task. And knowledge transfer adapts to task relatedness via individuals' choice on different sources of a pool, where the chosen probabilities for different sources are computed respectively according to task's success rate in generating improved solutions via these sources. In the focus search strategy, if there is no knowledge source benefit the optimization of a task, then all knowledge sources in the task's pool are forbidden to be utilized except the task, which helps to improve the performance of the proposed algorithm. Note that the task itself is as a knowledge source of its own. In the knowledge incorporation strategy, two different forms are developed to help the SaMTPSO explore and exploit the transferred knowledge from a chosen source, each leading to a version of the SaMTPSO. Several experiments are conducted on two test suites. The results of the SaMTPSO are comparing to that of 3 popular EMTO algorithms and a particle swarm algorithm, which demonstrates the superiority of the SaMTPSO.
• Abstract（参考訳）: マルチタスク最適化(mto:multi-task optimization)は、複数の最適化問題を同時に解決する方法を研究する。 過去数年間、進化的MTO(EMTO)は進化的アルゴリズムによるMTO問題を扱うために提案されてきた。 これまで多くのEMTOアルゴリズムが開発され、実世界の問題を解決する上で優れた性能を発揮してきた。 しかし、emtoのタスク関連性に知識伝達を適用するための多くの作業が残っている。 既存の研究とは違って,知識伝達適応戦略,焦点探索戦略,知識導入戦略を通じて,自己適応型マルチタスク粒子群最適化(SaMTPSO)を開発した。 知識伝達適応戦略では、各タスクはすべての知識源からなる知識源プールを有する。 各ソース(タスク)がタスクに知識を出力します。 そして、知識伝達は、それぞれ異なるソースに対する選択された確率を、これらのソースを介して改善されたソリューションを生成する際のタスクの成功率に応じて計算する、プールの異なるソースに対する個人の選択によるタスク関連性に適応する。 フォーカス探索戦略では、知識源がない場合、タスクの最適化に利益がある場合、タスクプール内のすべての知識源はタスク以外は利用できないため、提案アルゴリズムの性能向上に寄与する。 タスク自体が自身の知識源であることに注意してください。 知識編入戦略では、SAMTPSOが選択した情報源から移行した知識を探索し活用するために、2つの異なる形態が開発され、それぞれがSAMTPSOのバージョンに導かれる。 2つのテストスイートでいくつかの実験が行われた。 SaMTPSOの結果は3つのEMTOアルゴリズムと粒子群アルゴリズムを比較し,SaMTPSOの優位性を示している。

関連論文リスト

• Optima: Optimizing Effectiveness and Efficiency for LLM-Based Multi-Agent System [75.25394449773052]
  大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は協調的問題解決において顕著な可能性を示している。 通信効率の低下、スケーラビリティの低下、効果的なパラメータ更新方法の欠如などです。 本稿では,コミュニケーション効率とタスク効率を両立させ,これらの課題に対処する新しいフレームワークOptimaを提案する。
  論文  参考訳（メタデータ） (2024-10-10T17:00:06Z)
• Surrogate-Assisted Search with Competitive Knowledge Transfer for Expensive Optimization [39.358699654994965]
  重大最適化問題 (EOP) は, 様々な応用に応用されているため, 何十年にもわたって研究の関心が高まりつつある。 多くの高度なサロゲート支援進化アルゴリズム (SAEA) にもかかわらず、これらのアルゴリズムの多くは以前に解決されたタスクから知識を伝達する能力に欠けていた。 様々なSAEAを促進するために,プラグアンドプレイの知識伝達手法を提案する。
  論文  参考訳（メタデータ） (2024-08-13T19:38:22Z)
• PEMT: Multi-Task Correlation Guided Mixture-of-Experts Enables Parameter-Efficient Transfer Learning [28.353530290015794]
  マルチタスク変換学習に基づくパラメータ効率の高いファインチューニングフレームワークPEMTを提案する。 我々は17のデータセットにまたがる幅広いタスクについて実験を行う。
  論文  参考訳（メタデータ） (2024-02-23T03:59:18Z)
• Towards Multi-Objective High-Dimensional Feature Selection via Evolutionary Multitasking [63.91518180604101]
  本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。 タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
  論文  参考訳（メタデータ） (2024-01-03T06:34:39Z)
• Multitasking Evolutionary Algorithm Based on Adaptive Seed Transfer for Combinatorial Problem [2.869730777051168]
  進化的マルチタスク最適化(EMTO)は、ECコミュニティで新たなトピックとなっている。 M TEA-ASTは、同じドメインとクロスドメインのマルチタスク環境の両方において、知識を適応的に転送することができる。 提案手法は,4つのCOPによる実験において,他の最先端EMTOと比較して競合性能を示す。
  論文  参考訳（メタデータ） (2023-08-24T08:43:32Z)
• A Reinforcement Learning-assisted Genetic Programming Algorithm for Team Formation Problem Considering Person-Job Matching [70.28786574064694]
  解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。 効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
  論文  参考訳（メタデータ） (2023-04-08T14:32:12Z)
• Multi-task Optimization Based Co-training for Electricity Consumption Prediction [29.58665757139825]
  オーストラリアの5州の電力消費データを使って、2つのタスクを異なるスケールで設計する。 オーストラリアの5州の電力消費データを用いて、異なるスケールで2つのタスクを設計する。a) 各州(5つのタスク)の1ステップ前予測、b)6ステップ、12ステップ、18ステップ、24ステップ前予測(20タスク)。 MTO-CTの性能はこれらの2つのタスクのそれぞれを個別に解くのと比較して評価する。
  論文  参考訳（メタデータ） (2022-05-31T10:06:09Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• A Machine Learning Approach for Task and Resource Allocation in Mobile Edge Computing Based Networks [108.57859531628264]
  無線ネットワークにおいて,共同作業,スペクトル,送信電力配分問題について検討する。 提案アルゴリズムは、標準Q-ラーニングアルゴリズムと比較して、収束に必要なイテレーション数と全ユーザの最大遅延を最大18%、11.1%削減することができる。
  論文  参考訳（メタデータ） (2020-07-20T13:46:42Z)
• Pareto Multi-Task Learning [53.90732663046125]
  マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。 異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。 近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
  論文  参考訳（メタデータ） (2019-12-30T08:58:40Z)

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。