論文の概要: AutoOpt: A Methodological Framework of Automatically Designing
Metaheuristics for Optimization Problems
- arxiv url: http://arxiv.org/abs/2204.00998v1
- Date: Sun, 3 Apr 2022 05:31:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-05 16:00:55.662932
- Title: AutoOpt: A Methodological Framework of Automatically Designing
Metaheuristics for Optimization Problems
- Title（参考訳）: AutoOpt:最適化問題に対するメタヒューリスティックの自動設計手法フレームワーク
- Authors: Qi Zhao, Bai Yan, Yuhui Shi
- Abstract要約: 本稿では,メタヒューリスティックスの自動設計のための汎用的・包括的方法論フレームワークAutoOptを提案する。
実世界のケーススタディでは、AutoOptの有効性と効率が示されている。
- 参考スコア（独自算出の注目度）: 19.246970766964033
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Metaheuristics are gradient-free and problem-independent search algorithms.
They have gained huge success in solving various optimization problems in
academia and industry. Automated metaheuristic design is a promising
alternative to human-made design. This paper proposes a general and
comprehensive methodological framework, AutoOpt, for automatically designing
metaheuristics for various optimization problems. AutoOpt consists of: 1) a
bi-level criterion to evaluate the designed algorithms' performance; 2) a
general schema of the decision space from where the algorithms will be
designed; 3) a mixed graph- and real number-based representation to represent
the designed algorithms; and 4) a model-free method to conduct the design
process. AutoOpt benefits academic researchers and practical users struggling
to design metaheuristics for optimization problems. A real-world case study
demonstrates AutoOpt's effectiveness and efficiency.
- Abstract（参考訳）: メタヒューリスティックスは勾配のない問題に依存しない探索アルゴリズムである。
彼らは学術や産業で様々な最適化問題を解くことに大きな成功を収めた。
自動メタヒューリスティックデザインは人造デザインに代わる有望な選択肢である。
本稿では,様々な最適化問題に対するメタヒューリスティックスの自動設計のための,汎用的で包括的な方法論フレームワークAutoOptを提案する。
AutoOptは:
1) 設計アルゴリズムの性能を評価するための二段階基準
2) アルゴリズムが設計される場所から決定空間の一般的なスキーマ
3) 設計したアルゴリズムを表すグラフと実数に基づく混合表現。
4) 設計プロセスを実施するためのモデルフリー手法。
autooptは、最適化問題のためのメタヒューリスティックの設計に苦労している学術研究者や実践ユーザに役立つ。
実世界のケーススタディでは、AutoOptの有効性と効率が示されている。
関連論文リスト
- LLaMEA: A Large Language Model Evolutionary Algorithm for Automatically Generating Metaheuristics [0.023020018305241332]
本稿では,Large Language Model Evolutionary Algorithm (LLaMEA) フレームワークを紹介する。
一連の基準とタスク定義(検索空間)が与えられた後、LLaMEAは反復的にアルゴリズムを生成し、変更し、選択する。
我々は,このフレームワークを用いて,新しいブラックボックスメタヒューリスティック最適化アルゴリズムを自動生成する方法を示す。
論文 参考訳（メタデータ） (2024-05-30T15:10:59Z) - Automated Metaheuristic Algorithm Design with Autoregressive Learning [25.967262411437403]
現在の自動化手法は、固定された構造内でアルゴリズムを設計し、ゼロから操作する。
本稿ではメタヒューリスティックアルゴリズムの自動設計のための自己回帰学習に基づくデザイナを提案する。
論文 参考訳（メタデータ） (2024-05-06T12:36:17Z) - Deep Reinforcement Learning for Dynamic Algorithm Selection: A
Proof-of-Principle Study on Differential Evolution [27.607740475924448]
本稿では,この課題を実現するための強化学習に基づく動的アルゴリズム選択フレームワークを提案する。
我々は、最適な動作を推測し、アルゴリズムの選択を確実にするために、洗練されたディープニューラルネットワークモデルを用いる。
基礎研究として、この枠組みを微分進化アルゴリズム群に適用する。
論文 参考訳（メタデータ） (2024-03-04T15:40:28Z) - Automated Design of Metaheuristic Algorithms: A Survey [16.5686507795359]
本稿ではメタヒューリスティックアルゴリズムの自動設計について概説する。
コンピューターパワーによって、潜在的な設計選択を完全に探求し、自動化された設計は人間レベルの設計に到達し、さらに超える可能性がある。
論文 参考訳（メタデータ） (2023-03-12T01:20:49Z) - 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) - A distributed, plug-n-play algorithm for multi-robot applications with a
priori non-computable objective functions [2.2452191187045383]
マルチロボットアプリケーションでは、ミッションのユーザ定義の目的を一般的な最適化問題として当てはめることができる。
これらの問題には標準勾配の差分型アルゴリズムは適用できない。
本稿では,各ロボットのサブコスト関数を慎重に設計するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-11-14T20:40:00Z) - Algorithm Selection on a Meta Level [58.720142291102135]
本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。
本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
論文 参考訳（メタデータ） (2021-07-20T11:23:21Z) - 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) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-01-07T08:00:02Z) - Generalization in portfolio-based algorithm selection [97.74604695303285]
ポートフォリオベースのアルゴリズム選択に関する最初の証明可能な保証を提供する。
ポートフォリオが大きければ、非常に単純なアルゴリズムセレクタであっても、過剰適合は避けられないことを示す。
論文 参考訳（メタデータ） (2020-12-24T16:33:17Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z)
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。