論文の概要: Component-wise Analysis of Automatically Designed Multiobjective
Algorithms on Constrained Problems
- arxiv url: http://arxiv.org/abs/2203.13447v1
- Date: Fri, 25 Mar 2022 04:35:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-28 22:16:14.545540
- Title: Component-wise Analysis of Automatically Designed Multiobjective
Algorithms on Constrained Problems
- Title(参考訳): 制約問題に対する自動設計多目的アルゴリズムのコンポーネントワイズ解析
- Authors: Yuri Lavinas and Gabriela Ochoa and Claus Aranha
- Abstract要約: 本研究では,自動設計アルゴリズムの最終的な構成が与える影響を調査するための新しい手法を提案する。
本手法は,9つの制約付き問題に対して,iraceパッケージによって設計された分解に基づく多目的進化アルゴリズム(MOEA/D)に応用する。
その結果、最も影響力のあるコンポーネントは再起動と更新の戦略であり、パフォーマンスが向上し、メトリック値がより異なることが示唆された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The performance of multiobjective algorithms varies across problems, making
it hard to develop new algorithms or apply existing ones to new problems. To
simplify the development and application of new multiobjective algorithms,
there has been an increasing interest in their automatic design from component
parts. These automatically designed metaheuristics can outperform their
human-developed counterparts. However, it is still uncertain what are the most
influential components leading to their performance improvement. This study
introduces a new methodology to investigate the effects of the final
configuration of an automatically designed algorithm. We apply this methodology
to a well-performing Multiobjective Evolutionary Algorithm Based on
Decomposition (MOEA/D) designed by the irace package on nine constrained
problems. We then contrast the impact of the algorithm components in terms of
their Search Trajectory Networks (STNs), the diversity of the population, and
the hypervolume. Our results indicate that the most influential components were
the restart and update strategies, with higher increments in performance and
more distinct metric values. Also, their relative influence depends on the
problem difficulty: not using the restart strategy was more influential in
problems where MOEA/D performs better; while the update strategy was more
influential in problems where MOEA/D performs the worst.
- Abstract(参考訳): 多目的アルゴリズムの性能は問題によって異なり、新しいアルゴリズムを開発したり、既存のアルゴリズムを新しい問題に適用することは困難である。
新しい多目的アルゴリズムの開発と適用を単純化するために、コンポーネント部品からの自動設計への関心が高まっている。
これらの自動設計メタヒューリスティックは、人間が開発したものよりも優れている。
しかし、パフォーマンス改善につながる最も影響力のあるコンポーネントは何かはまだ不明である。
本研究は,自動設計アルゴリズムの最終的な構成の影響を調べるための新しい手法を提案する。
本手法は,9つの制約付き問題に対して,iraceパッケージによって設計された分解に基づく多目的進化アルゴリズム(MOEA/D)に応用する。
次に, 探索軌道ネットワーク(stn), 集団の多様性, ハイパーボリュームの観点から, アルゴリズム成分の影響を比較検討した。
その結果、最も影響力のあるコンポーネントは再起動と更新の戦略であり、パフォーマンスが向上し、メトリック値がより異なることが示唆された。
また、それらの相対的な影響は、MOEA/Dが優れている問題では再起動戦略を使わず、MOEA/Dが最悪の問題では更新戦略の方が影響を受けていた。
関連論文リスト
- AbCD: A Component-wise Adjustable Framework for Dynamic Optimization
Problems [49.1574468325115]
動的最適化問題 (DOP) は、常に発生し、現実の応用に共通するフィットネス環境の変化によって特徴づけられる。
我々は、動的問題のための調整可能なコンポーネント(AbCD)と呼ばれるDOPのためのコンポーネント指向フレームワークを開発する。
この結果から,アルゴリズムやコンポーネントの今後の発展に対処する必要があるDOP分野の既存の課題が浮き彫りになる。
論文 参考訳(メタデータ) (2023-10-09T08:11:31Z) - Performance of Genetic Algorithms in the Context of Software Model
Refactoring [1.3812010983144802]
本稿では,3つの遺伝的アルゴリズムの性能解析を行い,その性能と品質を比較検討する。
その結果,アルゴリズムの性能に有意な差が認められた。
論文 参考訳(メタデータ) (2023-08-26T13:25:42Z) - Multiobjective Evolutionary Component Effect on Algorithm behavior [0.04588028371034406]
パフォーマンス改善につながる最も影響力のあるコンポーネントは何かは不明だ。
この手法を,反復レース (irace) 構成パッケージによって設計された分解(MOEA/D)に基づくチューニング多目的進化アルゴリズムに適用する。
本稿では,検索トラジェクトリ・ネットワーク(STN),人口の多様性,時空の超体積値について,アルゴリズム成分の影響を比較した。
論文 参考訳(メタデータ) (2023-07-31T16:02:56Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳(メタデータ) (2022-10-02T05:03:38Z) - Reproducibility and Baseline Reporting for Dynamic Multi-objective
Benchmark Problems [4.859986264602551]
本稿では,DMOPのパラメータのシミュレーション実験について述べる。
動的アルゴリズム評価のためのベースラインスキーマを導入する。
目的構築された動的アルゴリズムが有用であるために必要な最小限の能力を確立することができる。
論文 参考訳(メタデータ) (2022-04-08T15:50:17Z) - Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner
with Evolution-Based Optimization [49.207538634692916]
そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。
提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。
我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
論文 参考訳(メタデータ) (2021-10-08T07:22:45Z) - Generating Instances with Performance Differences for More Than Just Two
Algorithms [2.061388741385401]
本稿では,2つ以上のアルゴリズムに対して,同時に大きな性能差を示すインスタンスを進化させるフィットネス関数を提案する。
原理の証明として、3つの不完全TTP解法に対する多成分トラベリングティーフ問題(TTP)のインスタンスを進化させる。
論文 参考訳(メタデータ) (2021-04-29T11:48:41Z) - Phase Retrieval using Expectation Consistent Signal Recovery Algorithm
based on Hypernetwork [73.94896986868146]
位相検索は現代の計算イメージングシステムにおいて重要な要素である。
近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。
我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
論文 参考訳(メタデータ) (2021-01-12T08:36:23Z) - Towards Minimax Optimal Reinforcement Learning in Factored Markov
Decision Processes [53.72166325215299]
エピソード因子化マルコフ決定過程(FMDP)における最小強化学習について検討する。
第一に、分解された構造のリッチなクラスに対する最小限の後悔の保証を達成する。
2つ目は、少し悪い後悔をしながら、より良い計算複雑性を楽しみます。
論文 参考訳(メタデータ) (2020-06-24T00:50:17Z) - Learning to Stop While Learning to Predict [85.7136203122784]
多くのアルゴリズムにインスパイアされたディープモデルは全ての入力に対して固定深度に制限される。
アルゴリズムと同様に、深いアーキテクチャの最適深さは、異なる入力インスタンスに対して異なるかもしれない。
本稿では, ステアブルアーキテクチャを用いて, この様々な深さ問題に対処する。
学習した深層モデルと停止ポリシーにより,多様なタスクセットのパフォーマンスが向上することを示す。
論文 参考訳(メタデータ) (2020-06-09T07:22:01Z)
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。