論文の概要: Using Traceless Genetic Programming for Solving Multiobjective Optimization Problems

• arxiv url: http://arxiv.org/abs/2110.13608v1
• Date: Thu, 7 Oct 2021 05:55:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-10-31 09:25:18.920558
• Title: Using Traceless Genetic Programming for Solving Multiobjective Optimization Problems
• Title（参考訳）: トレースレス遺伝的プログラミングを用いた多目的最適化問題の解法
• Authors: Mihai Oltean, Crina Grosan
• Abstract要約: トレーレス・ジェネティック・プログラミング(Traceless Genetic Programming、TGP)は、プログラム自体よりもプログラムの出力に焦点をあてる場合に使われる遺伝的プログラミング(GP)の変種である。 TGPと組み合わせて2つの遺伝子操作子(クロスオーバーと挿入)が使用される。 数値実験により、TGPは非常に高速かつ十分に検討されたテスト問題を解くことができることが示された。
• 参考スコア（独自算出の注目度）: 1.9493449206135294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traceless Genetic Programming (TGP) is a Genetic Programming (GP) variant that is used in cases where the focus is rather the output of the program than the program itself. The main difference between TGP and other GP techniques is that TGP does not explicitly store the evolved computer programs. Two genetic operators are used in conjunction with TGP: crossover and insertion. In this paper, we shall focus on how to apply TGP for solving multi-objective optimization problems which are quite unusual for GP. Each TGP individual stores the output of a computer program (tree) representing a point in the search space. Numerical experiments show that TGP is able to solve very fast and very well the considered test problems.
• Abstract（参考訳）: トレーレス・ジェネティック・プログラミング(Traceless Genetic Programming、TGP)は、プログラム自体よりもプログラムの出力に焦点をあてる場合に使われる遺伝的プログラミング(GP)の変種である。 TGPと他のGP技術の主な違いは、TGPが進化したコンピュータプログラムを明示的に記憶していないことである。 TGPと組み合わせて2つの遺伝子操作子(クロスオーバーと挿入)が使用される。 本稿では,GP にとって非常に珍しい多目的最適化問題に対する TGP の適用方法に焦点をあてる。 各TGP個人は、検索空間内の点を表すコンピュータプログラム(ツリー)の出力を記憶する。 数値実験により、TGPは非常に高速かつ十分に検討されたテスト問題を解くことができることが示された。

関連論文リスト

• PGU-SGP: A Pheno-Geno Unified Surrogate Genetic Programming For Real-life Container Terminal Truck Scheduling [7.678307721780809]
  本稿では,代用サンプル選択と適合性予測を強化するために,表現ジェノリック・サロゲートGPアルゴリズムPGU-SGPを提案する。 同じトレーニング時間で、PGU-SGPは従来のGPと最先端のアルゴリズムを多くのデータセットで大幅に上回っている。
  論文  参考訳（メタデータ） (2025-04-15T15:19:42Z)
• Evaluating Genetic Algorithms through the Approximability Hierarchy [55.938644481736446]
  本稿では,問題の近似クラスに依存する遺伝的アルゴリズムの有用性を解析する。 特に, 遺伝的アルゴリズムは階層の最も悲観的なクラスに特に有用であることを示す。
  論文  参考訳（メタデータ） (2024-02-01T09:18:34Z)
• Domain Invariant Learning for Gaussian Processes and Bayesian Exploration [39.83530605880014]
  そこで本研究では,確率を最小限に最適化したガウス過程(DIL-GP)の領域不変学習アルゴリズムを提案する。 数値実験により、複数の合成および実世界のデータセットの予測におけるDIL-GPの優位性を示す。
  論文  参考訳（メタデータ） (2023-12-18T16:13:34Z)
• Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
  クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。 現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。 本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
  論文  参考訳（メタデータ） (2023-02-28T14:01:01Z)
• Weighted Ensembles for Active Learning with Adaptivity [60.84896785303314]
  本稿では,ラベル付きデータに漸進的に適応した重み付きGPモデルのアンサンブルについて述べる。 この新しいEGPモデルに基づいて、不確実性および不一致ルールに基づいて、一連の取得関数が出現する。 適応的に重み付けされたEGPベースの取得関数のアンサンブルも、さらなる性能向上のために導入されている。
  論文  参考訳（メタデータ） (2022-06-10T11:48:49Z)
• Taylor Genetic Programming for Symbolic Regression [5.371028373792346]
  遺伝的プログラミング(GP)は、記号回帰(SR)問題を解決するために一般的に用いられる手法である。 そこで我々はTaylorGP (Taylor Genetic Programming) を提案し,データセットに適合するシンボリック方程式を近似する。 TaylorGPは9つのベースライン法よりも精度が高いだけでなく、安定した結果を見つけるのにも速い。
  論文  参考訳（メタデータ） (2022-04-28T13:43:39Z)
• Scaling Gaussian Process Optimization by Evaluating a Few Unique Candidates Multiple Times [119.41129787351092]
  GPに基づく逐次ブラックボックス最適化は,複数の評価ステップの候補解に固執することで効率よく行うことができることを示す。 GP-UCB と GP-EI の2つのよく確立されたGP-Opt アルゴリズムを改良し,バッチ化された GP-Opt の規則を適応させる。
  論文  参考訳（メタデータ） (2022-01-30T20:42:14Z)
• Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
  乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-10-26T10:45:25Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• Solving classification problems using Traceless Genetic Programming [0.0]
  トレースレス遺伝的プログラミング(TGP)は、現実の難解な問題を解くために用いられる新しい遺伝的プログラミング(GP)である。 本稿では, ProBEN1 から抽出した実世界の分類問題の解法として TGP を用いる。
  論文  参考訳（メタデータ） (2021-10-07T06:13:07Z)
• Solving even-parity problems using traceless genetic programming [0.0]
  TGPは、個人を構築するためのテクニックと、個人を表現するテクニックを組み合わせたハイブリッド技術である。 TGPと組み合わせて2つの遺伝子操作子(クロスオーバーと挿入)が使用される。 TGPは、均一性問題に対するデジタル回路の進化に応用される。
  論文  参考訳（メタデータ） (2021-10-04T13:23:32Z)
• GSGP-CUDA -- a CUDA framework for Geometric Semantic Genetic Programming [2.275405513780208]
  Geometric Semantic Genetic Programming (GSGP) は進化計算に基づく最先端の機械学習手法である。 C++におけるGSGPの効率的な実装は、この事実を悪用するが、その潜在能力は十分ではない。 結果は、最先端のシーケンシャル実装と比較して1000倍以上のスピードアップを示す。
  論文  参考訳（メタデータ） (2021-06-08T00:58:39Z)

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。