論文の概要: The importance of being constrained: dealing with infeasible solutions
in Differential Evolution and beyond
- arxiv url: http://arxiv.org/abs/2203.03512v1
- Date: Mon, 7 Mar 2022 16:49:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 17:49:09.358052
- Title: The importance of being constrained: dealing with infeasible solutions
in Differential Evolution and beyond
- Title（参考訳）: 制約の重要性--差分進化以降における実現不可能な解を扱う
- Authors: Anna V. Kononova, Diederick Vermetten, Fabio Caraffini, Madalina-A.
Mitran and Daniela Zaharie
- Abstract要約: 我々は、最適化アルゴリズムが生成した結果は、ドメイン外で生成されたソリューションで何をすべきかをアルゴリズムが完全に指定しない限り、再現可能とみなすことはできないと論じる。
ここでは、少なくとも微分進化に基づくアルゴリズムにおいて、この選択が顕著に異なる振る舞いを引き起こすことを実証する。
我々は最適化の分野に対して、オプティマイザに新しいアルゴリズムコンポーネントのアイデアを定式化し、採用するよう促す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We argue that results produced by a heuristic optimisation algorithm cannot
be considered reproducible unless the algorithm fully specifies what should be
done with solutions generated outside the domain, even in the case of simple
box constraints. Currently, in the field of heuristic optimisation, such
specification is rarely mentioned or investigated due to the assumed triviality
or insignificance of this question. Here, we demonstrate that, at least in
algorithms based on Differential Evolution, this choice induces notably
different behaviours - in terms of performance, disruptiveness and population
diversity. This is shown theoretically (where possible) for standard
Differential Evolution in the absence of selection pressure and experimentally
for the standard and state-of-the-art Differential Evolution variants on
special test function $f_0$ and BBOB benchmarking suite, respectively.
Moreover, we demonstrate that the importance of this choice quickly grows with
problem's dimensionality. Different Evolution is not at all special in this
regard - there is no reason to presume that other heuristic optimisers are not
equally affected by the aforementioned algorithmic choice. Thus, we urge the
field of heuristic optimisation to formalise and adopt the idea of a new
algorithmic component in heuristic optimisers, which we call here a strategy of
dealing with infeasible solutions. This component needs to be consistently (a)
specified in algorithmic descriptions to guarantee reproducibility of results,
(b) studied to better understand its impact on algorithm's performance in a
wider sense and (c) included in the (automatic) algorithmic design. All of
these should be done even for problems with box constraints.
- Abstract（参考訳）: 単純なボックス制約の場合であっても、アルゴリズムがドメイン外で生成されたソリューションで何をすべきかを完全に特定しなければ、ヒューリスティックな最適化アルゴリズムによって生成された結果は再現可能であるとは考えられない。
現在、ヒューリスティック最適化の分野では、この問題の自明さや重要さを前提として、そのような仕様が言及されることは稀である。
ここでは,少なくとも微分進化に基づくアルゴリズムでは,この選択が,パフォーマンス,破壊性,集団多様性の観点から,特に異なる行動を引き起こすことを実証する。
これは、選択圧力のない標準微分進化に対して(可能ならば)理論的に示され、特殊テスト関数 $f_0$ と BBOB のベンチマークスイート上で、それぞれ標準微分進化と最先端微分進化の変種について実験的に示される。
さらに, この選択の重要性は, 問題の次元によって急速に増大することを示した。
上記のアルゴリズムの選択によって、他のヒューリスティックなオプティマイザが等しく影響を受けるわけではないと仮定する理由はない。
したがって、ヒューリスティック最適化の分野において、ヒューリスティック最適化における新しいアルゴリズムコンポーネントの考え方を定式化し、採用するよう促す。
このコンポーネントは一貫して
(a) 結果の再現性を保証するためのアルゴリズム記述
(b)より広い意味でアルゴリズムの性能への影響をよりよく理解するために研究した。
(c) アルゴリズム設計(自動)に含まれる。
これらのすべては、ボックス制約の問題でも行うべきです。
関連論文リスト
- Sample-efficient Bayesian Optimisation Using Known Invariances [56.34916328814857]
バニラと制約付きBOアルゴリズムは、不変目的を最適化する際の非効率性を示す。
我々はこれらの不変カーネルの最大情報ゲインを導出する。
核融合炉用電流駆動システムの設計に本手法を用い, 高性能溶液の探索を行った。
論文 参考訳（メタデータ） (2024-10-22T12:51:46Z) - On Probabilistic Embeddings in Optimal Dimension Reduction [1.2085509610251701]
次元減少アルゴリズムは多くのデータサイエンスパイプラインの重要な部分である。
広く利用されているにもかかわらず、多くの非線形次元還元アルゴリズムは理論的観点からは理解されていない。
論文 参考訳（メタデータ） (2024-08-05T12:46:21Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - Do We Really Need to Use Constraint Violation in Constrained
Evolutionary Multi-Objective Optimization? [13.833668582211876]
制約違反は、進化的多目的最適化アルゴリズムを設計するためのビルディングブロックである。
本稿では,制約違反をクリップ値で置き換える,対応する変種を開発する。
実世界および実世界のベンチマークテスト問題に対する実験結果から,選択したアルゴリズムの性能には大きな影響が認められていないことがわかった。
論文 参考訳（メタデータ） (2022-05-28T06:29:07Z) - Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。
厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。
このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
論文 参考訳（メタデータ） (2021-11-29T15:10:09Z) - 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) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - Emergence of Structural Bias in Differential Evolution [0.0]
ヒューリスティック最適化アルゴリズムは、複雑な最適化問題の圧倒的に多いため、高い需要がある。
多くのアルゴリズムは、探索空間の特定の領域に惹かれるか、探索空間の領域を一貫して避けることによって構造バイアスを示す。
我々は、分化進化(DE)構成のためのそのような構造バイアスの出現、具体的には、異なる突然変異、交叉および修正戦略の効果を分析する。
論文 参考訳（メタデータ） (2021-05-10T22:22:27Z) - Devolutionary genetic algorithms with application to the minimum
labeling Steiner tree problem [0.0]
本稿では、進化的遺伝的アルゴリズムを特徴付けるとともに、最小ラベル付けスタイナーツリー(MLST)問題を解く際の性能を評価する。
我々は、進化的アルゴリズムを、時間とともに超最適で実現不可能な解の集団を進化させることによって実現可能な解に到達する過程として定義する。
我々は, 交叉, 突然変異, 適合性などの古典的進化的概念が, 最適解, 最適解に到達するためにどのように適応できるかを示す。
論文 参考訳（メタデータ） (2020-04-18T13:27:28Z) - Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
適応性は現代最適化理論において重要であるが、研究されていない性質である。
提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
論文 参考訳（メタデータ） (2020-02-13T05:42:27Z) - On the Performance of Metaheuristics: A Different Perspective [0.0]
我々は,遺伝的アルゴリズム (GA), Particle Swarm Optimization (PSO), Artificial Bee Colony (ABC), Teaching-Learning-Based Optimization (TLBO), Cuckoo Optimization Algorithm (COA) のいくつかの基本的な進化的およびスワム知能メタヒューリスティックスについて検討した。
異なる特性を持つ20種類の最適化ベンチマーク関数について多数の実験が行われており、これらのメタヒューリスティックスの中での次の順位の他に、いくつかの基本的な結論が示されている。
論文 参考訳（メタデータ） (2020-01-24T09:34:10Z)
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。