論文の概要: Benchmark Functions for CEC 2022 Competition on Seeking Multiple Optima
in Dynamic Environments
- arxiv url: http://arxiv.org/abs/2201.00523v2
- Date: Thu, 6 Jan 2022 09:20:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 09:55:10.754500
- Title: Benchmark Functions for CEC 2022 Competition on Seeking Multiple Optima
in Dynamic Environments
- Title(参考訳): 動的環境における複数光度を求めるcec 2022コンペティションのベンチマーク関数
- Authors: Wenjian Luo, Xin Lin, Changhe Li, Shengxiang Yang, Yuhui Shi
- Abstract要約: マルチモーダル最適化問題(DMMOP)は進化と群知能の分野で長年研究されてきた。
このコンペティションでは、現実世界のアプリケーションをモデル化するDMMOPに関するテストスーツが提供される。
この計量はアルゴリズムの性能を測定するためにも用いられるが、これは全ての環境で見つかる最適解の平均数を考えるものである。
- 参考スコア(独自算出の注目度): 15.075191738272098
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dynamic and multimodal features are two important properties and widely
existed in many real-world optimization problems. The former illustrates that
the objectives and/or constraints of the problems change over time, while the
latter means there is more than one optimal solution (sometimes including the
accepted local solutions) in each environment. The dynamic multimodal
optimization problems (DMMOPs) have both of these characteristics, which have
been studied in the field of evolutionary computation and swarm intelligence
for years, and attract more and more attention. Solving such problems requires
optimization algorithms to simultaneously track multiple optima in the changing
environments. So that the decision makers can pick out one optimal solution in
each environment according to their experiences and preferences, or quickly
turn to other solutions when the current one cannot work well. This is very
helpful for the decision makers, especially when facing changing environments.
In this competition, a test suit about DMMOPs is given, which models the
real-world applications. Specifically, this test suit adopts 8 multimodal
functions and 8 change modes to construct 24 typical dynamic multimodal
optimization problems. Meanwhile, the metric is also given to measure the
algorithm performance, which considers the average number of optimal solutions
found in all environments. This competition will be very helpful to promote the
development of dynamic multimodal optimization algorithms.
- Abstract(参考訳): 動的およびマルチモーダルな特徴は2つの重要な性質であり、多くの実世界の最適化問題に広く存在している。
前者は、問題の目的や制約が時間とともに変化するのに対し、後者は、各環境に複数の最適解(時には受け入れられた局所解を含む)が存在することを意味する。
動的マルチモーダル最適化問題(dmmops、dynamic multimodal optimization problem)は、進化的計算と群知能の分野で長年研究されてきた2つの特徴を持ち、ますます注目を集めている。
このような問題を解決するには、変化する環境で複数のオプティマを同時に追跡する最適化アルゴリズムが必要である。
そのため、意思決定者は、経験や好みに応じて、各環境において最適なソリューションを1つ選択したり、現在のソリューションがうまく機能しない場合に素早く他のソリューションに切り替えることができる。
これは意思決定者、特に環境の変化に直面している場合に非常に役立ちます。
このコンペティションでは、現実世界のアプリケーションをモデル化するDMMOPに関するテストスーツが提供される。
具体的には、8つのマルチモーダル関数と8つの変更モードを採用し、24の典型的な動的マルチモーダル最適化問題を構成する。
一方、メトリックはアルゴリズムのパフォーマンスを測定するためにも与えられ、すべての環境に存在する最適解の平均数を考える。
この競争は動的マルチモーダル最適化アルゴリズムの開発を促進するのに非常に役立つだろう。
関連論文リスト
- Solving Expensive Optimization Problems in Dynamic Environments with
Meta-learning [34.77121111015387]
本稿では,高コストな動的最適化問題を解くための,シンプルなメタラーニングに基づく最適化フレームワークを提案する。
このフレームワークは柔軟性があり、任意の既製のサロゲートモデルをプラグイン形式で連続的に使用することができる。
いくつかの最先端アルゴリズムと比較して,提案手法の有効性を示す実験を行った。
論文 参考訳(メタデータ) (2023-10-19T07:42:51Z) - Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳(メタデータ) (2023-10-10T00:21:10Z) - Vector Autoregressive Evolution for Dynamic Multi-Objective Optimisation [7.5104598146227]
動的多目的最適化(DMO)は、様々な環境において複数の目的を持つ最適化問題を扱う。
本稿では,DMOの環境変化に対応するために,ベクトル自己回帰(VAR)と環境対応ハイパーミューテーションからなるベクトル自己回帰進化(VARE)を提案する。
論文 参考訳(メタデータ) (2023-05-22T06:24:25Z) - Fast Re-Optimization of LeadingOnes with Frequent Changes [0.9281671380673306]
Doerrらによって提案された再最適化アプローチは、問題インスタンスがより頻繁な変更の傾向にある場合に限界に達することを示す。
本稿では,前ベスト周辺における欲求探索と現在ベスト解を補間するアルゴリズムの修正を提案する。
論文 参考訳(メタデータ) (2022-09-09T16:51:41Z) - Enhanced Opposition Differential Evolution Algorithm for Multimodal
Optimization [0.2538209532048866]
現実の問題は、本質的には複数の最適値からなるマルチモーダルである。
古典的な勾配に基づく手法は、目的関数が不連続あるいは微分不可能な最適化問題に対して失敗する。
我々は,MMOPを解くために,拡張オポポジション微分進化(EODE)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-08-23T16:18:27Z) - Dynamic Multi-objective Ensemble of Acquisition Functions in Batch
Bayesian Optimization [1.1602089225841632]
獲得関数は最適化プロセスにおいて重要な役割を果たす。
3つの取得関数は、その現在のパフォーマンスと過去のパフォーマンスに基づいて、セットから動的に選択される。
進化的多目的アルゴリズムを用いて、そのようなMOPを最適化し、非支配的な解の集合を得ることができる。
論文 参考訳(メタデータ) (2022-06-22T14:09:18Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳(メタデータ) (2022-01-28T05:53:28Z) - Multi-Objective Constrained Optimization for Energy Applications via
Tree Ensembles [55.23285485923913]
エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。
場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。
本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
論文 参考訳(メタデータ) (2021-11-04T20:18:55Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳(メタデータ) (2021-10-18T14:00:22Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2~5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳(メタデータ) (2020-02-04T20:00:28Z) - Optimizing Wireless Systems Using Unsupervised and
Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。
本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文 参考訳(メタデータ) (2020-01-03T11:01:52Z)
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。