論文の概要: Bayesian Optimization For Multi-Objective Mixed-Variable Problems
- arxiv url: http://arxiv.org/abs/2201.12767v1
- Date: Sun, 30 Jan 2022 09:38:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-02 07:53:32.787126
- Title: Bayesian Optimization For Multi-Objective Mixed-Variable Problems
- Title（参考訳）: 多目的混合変数問題に対するベイズ最適化
- Authors: Haris Moazam Sheikh and Philip S. Marcus
- Abstract要約: このような問題に対する最初の混合変数多目的ベイズ最適化フレームワークであるMixMOBOを提案する。
また、HedgeMOは、多目的問題における獲得関数のポートフォリオを利用する、修正されたHedge戦略である。
合成問題において,MixMOBOは他の混合変数アルゴリズムに対して良好に動作することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimizing multiple, non-preferential objectives for mixed-variable,
expensive black-box problems is important in many areas of engineering and
science. The expensive, noisy black-box nature of these problems makes them
ideal candidates for Bayesian optimization (BO). Mixed-variable and
multi-objective problems, however, are a challenge due to the BO's underlying
smooth Gaussian process surrogate model. Current multi-objective BO algorithms
cannot deal with mixed-variable problems. We present MixMOBO, the first mixed
variable multi-objective Bayesian optimization framework for such problems.
Using a genetic algorithm to sample the surrogate surface, optimal
Pareto-fronts for multi-objective, mixed-variable design spaces can be found
efficiently while ensuring diverse solutions. The method is sufficiently
flexible to incorporate many different kernels and acquisition functions,
including those that were developed for mixed-variable or multi-objective
problems by other authors. We also present HedgeMO, a modified Hedge strategy
that uses a portfolio of acquisition functions in multi-objective problems. We
present a new acquisition function SMC. We show that MixMOBO performs well
against other mixed-variable algorithms on synthetic problems. We apply MixMOBO
to the real-world design of an architected material and show that our optimal
design, which was experimentally fabricated and validated, has a normalized
strain energy density $10^4$ times greater than existing structures.
- Abstract（参考訳）: 複合変数や高価なブラックボックス問題に対する複数の非優先目的の最適化は、工学や科学の多くの分野において重要である。
これらの問題の高価でノイズの多いブラックボックスの性質は、ベイズ最適化(BO)の理想的な候補となる。
しかし、混合変数および多重対象問題は、BOの根底にある滑らかなガウス過程代理モデルのために問題となる。
現在の多目的BOアルゴリズムは混合変数問題に対処できない。
このような問題に対する最初の混合変数多目的ベイズ最適化フレームワークであるMixMOBOを提案する。
遺伝的アルゴリズムを用いてサロゲート表面をサンプリングし、多目的で混合可能な設計空間に最適なパレートフロントを効率よく見つけることができる。
この方法は、他の著者によって混合変数や多目的問題のために開発されたものを含む、多くの異なるカーネルと取得関数を組み込むのに十分な柔軟性がある。
また,多目的問題における獲得関数のポートフォリオを用いた修正型ヘッジ戦略である hedgemo も紹介する。
新たな獲得関数 SMC を提案する。
合成問題において,MixMOBOは他の混合変数アルゴリズムに対して良好に動作することを示す。
我々は,MixMOBOを建築材料の実世界の設計に適用し,実験により得られた最適設計が,既存の構造より10^4$の正規化ひずみエネルギー密度を有することを示す。
関連論文リスト
- 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) - Global and Preference-based Optimization with Mixed Variables using Piecewise Affine Surrogates [0.6083861980670925]
本稿では,線形制約付き混合変数問題の解法として,新しいサロゲートに基づく大域的最適化アルゴリズムを提案する。
目的関数はブラックボックスとコスト対評価であり、線形制約は予測不可能な事前知識である。
本稿では,2種類の探索関数を導入し,混合整数線形計画解法を用いて実現可能な領域を効率的に探索する。
論文 参考訳（メタデータ） (2023-02-09T15:04:35Z) - Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。
薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。
GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文 参考訳（メタデータ） (2022-10-23T16:15:36Z) - A Study of Scalarisation Techniques for Multi-Objective QUBO Solving [0.0]
量子および量子に着想を得た最適化アルゴリズムは、学術ベンチマークや実世界の問題に適用した場合に有望な性能を示す。
しかし、QUBOソルバは単目的解法であり、複数の目的による問題の解法をより効率的にするためには、そのような多目的問題を単目的問題に変換する方法を決定する必要がある。
論文 参考訳（メタデータ） (2022-10-20T14:54:37Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - Pareto Set Learning for Neural Multi-objective Combinatorial
Optimization [6.091096843566857]
多目的最適化(MOCO)の問題は、現実世界の多くのアプリケーションで見られる。
我々は,与えられたMOCO問題に対するパレート集合全体を,探索手順を伴わずに近似する学習ベースアプローチを開発した。
提案手法は,多目的走行セールスマン問題,マルチコンディショニング車両ルーティング問題,複数クナップサック問題において,ソリューションの品質,速度,モデル効率の面で,他の方法よりも優れていた。
論文 参考訳（メタデータ） (2022-03-29T09:26:22Z) - Multi-Objective Quality Diversity Optimization [2.4608515808275455]
MOME(Multi-Objective MAP-Elites)の多目的設定におけるMAP-Elitesアルゴリズムの拡張を提案する。
すなわち、MAP-Elitesグリッドアルゴリズムから受け継いだ多様性と、多目的最適化の強みを組み合わせる。
本手法は,標準的な最適化問題からロボットシミュレーションまで,いくつかのタスクで評価する。
論文 参考訳（メタデータ） (2022-02-07T10:48:28Z) - 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) - Multi-Objective Bayesian Optimization over High-Dimensional Search
Spaces [16.368143857907]
MORBOは高次元探索空間上での多目的ベイズ最適化手法である。
我々は,MORBOが高次元合成および実世界の多目的問題に対して,サンプル効率の最先端性を著しく向上させることを示す。
論文 参考訳（メタデータ） (2021-09-22T18:30:07Z) - 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) - 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。