論文の概要: AutoOpt: A General Framework for Automatically Designing Metaheuristic
Optimization Algorithms with Diverse Structures
- arxiv url: http://arxiv.org/abs/2204.00998v6
- Date: Thu, 4 May 2023 03:30:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-05 19:58:44.110065
- Title: AutoOpt: A General Framework for Automatically Designing Metaheuristic
Optimization Algorithms with Diverse Structures
- Title（参考訳）: autoopt: 多様な構造を持つメタヒューリスティック最適化アルゴリズムを自動設計する汎用フレームワーク
- Authors: Qi Zhao, Bai Yan, Xianglong Chen, Taiwei Hu, Shi Cheng, Yuhui Shi
- Abstract要約: 本稿では,多様な構造を持つメタヒューリスティックアルゴリズムを自動設計するための汎用フレームワークAutoOptを提案する。
メタヒューリスティックファミリーをできるだけ広くカバーするアルゴリズムの一般的なプロトタイプ。
提案したプロトタイプに適合する有向非巡回グラフアルゴリズムの表現。
操作対象のグラフの代替コンパクト形式を提供するグラフ表現埋め込み方法。
- 参考スコア（独自算出の注目度）: 15.140309031326076
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Metaheuristics are widely recognized gradient-free solvers to hard problems
that do not meet the rigorous mathematical assumptions of conventional solvers.
The automated design of metaheuristic algorithms provides an attractive path to
relieve manual design effort and gain enhanced performance beyond human-made
algorithms. However, the specific algorithm prototype and linear algorithm
representation in the current automated design pipeline restrict the design
within a fixed algorithm structure, which hinders discovering novelties and
diversity across the metaheuristic family. To address this challenge, this
paper proposes a general framework, AutoOpt, for automatically designing
metaheuristic algorithms with diverse structures. AutoOpt contains three
innovations: (i) A general algorithm prototype dedicated to covering the
metaheuristic family as widely as possible. It promotes high-quality automated
design on different problems by fully discovering potentials and novelties
across the family. (ii) A directed acyclic graph algorithm representation to
fit the proposed prototype. Its flexibility and evolvability enable discovering
various algorithm structures in a single run of design, thus boosting the
possibility of finding high-performance algorithms. (iii) A graph
representation embedding method offering an alternative compact form of the
graph to be manipulated, which ensures AutoOpt's generality. Experiments on
numeral functions and real applications validate AutoOpt's efficiency and
practicability.
- Abstract（参考訳）: メタヒューリスティックス(Metaheuristics)は、従来の解法の厳密な数学的仮定を満たさない難題に対する勾配のない解法である。
メタヒューリスティックアルゴリズムの自動設計は、手作業による設計作業を緩和し、人為的なアルゴリズムを超えて性能を向上させる魅力的な経路を提供する。
しかしながら、現在の自動設計パイプラインにおける特定のアルゴリズムのプロトタイプと線形アルゴリズム表現は、メタヒューリスティックな家系における新規性と多様性の発見を妨げる固定されたアルゴリズム構造内の設計を制限する。
この課題に対処するために,多様な構造を持つメタヒューリスティックアルゴリズムを自動設計する汎用フレームワークAutoOptを提案する。
autooptには3つのイノベーションがあります
(i)メタヒューリスティックファミリーを可能な限り広くカバーする汎用アルゴリズムのプロトタイプ。
様々な問題に対する高品質な自動設計を推進し、家族全体の潜在能力と新奇性を完全に発見する。
(II)提案したプロトタイプに適合する有向非巡回グラフアルゴリズムの表現。
その柔軟性と進化性により、単一の設計で様々なアルゴリズム構造を発見できるため、高性能なアルゴリズムを見つけることができる。
(iii) グラフの別のコンパクトな形式を提供するグラフ表現埋め込み方式は、オートオプトの一般性を保証する。
数値関数と実応用の実験はAutoOptの効率性と実用性を検証する。
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。