論文の概要: Evolutionary Diversity Optimisation for The Traveling Thief Problem
- arxiv url: http://arxiv.org/abs/2204.02709v1
- Date: Wed, 6 Apr 2022 10:13:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-18 02:50:35.594693
- Title: Evolutionary Diversity Optimisation for The Traveling Thief Problem
- Title（参考訳）: トラベリングティーフ問題に対する進化的多様性の最適化
- Authors: Adel Nikfarjam, Aneta Neumann, and Frank Neumann
- Abstract要約: 解の集合の構造的多様性を最大化する二段階の進化的アルゴリズムを導入する。
多様性を得る最良の方法を実証的に決定する。
実験の結果,ほとんどのTTPベンチマークインスタンスにおける構造的多様性の観点から,QDアプローチの大幅な改善が示された。
- 参考スコア（独自算出の注目度）: 11.590506672325668
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There has been a growing interest in the evolutionary computation community
to compute a diverse set of high-quality solutions for a given optimisation
problem. This can provide the practitioners with invaluable information about
the solution space and robustness against imperfect modelling and minor
problems' changes. It also enables the decision-makers to involve their
interests and choose between various solutions. In this study, we investigate
for the first time a prominent multi-component optimisation problem, namely the
Traveling Thief Problem (TTP), in the context of evolutionary diversity
optimisation. We introduce a bi-level evolutionary algorithm to maximise the
structural diversity of the set of solutions. Moreover, we examine the
inter-dependency among the components of the problem in terms of structural
diversity and empirically determine the best method to obtain diversity. We
also conduct a comprehensive experimental investigation to examine the
introduced algorithm and compare the results to another recently introduced
framework based on the use of Quality Diversity (QD). Our experimental results
show a significant improvement of the QD approach in terms of structural
diversity for most TTP benchmark instances.
- Abstract（参考訳）: 与えられた最適化問題に対して、様々な高品質なソリューションを計算するための進化計算コミュニティへの関心が高まっている。
これは、ソリューション空間と不完全なモデリングとマイナーな問題の変更に対する堅牢性に関する貴重な情報を提供する。
また、意思決定者が利害関係を持ち、さまざまなソリューションを選択できる。
本研究では, 進化的多様性最適化の文脈において, 顕著な多成分最適化問題であるトラベリング・ティーフ問題(TTP)を初めて検討する。
解の集合の構造的多様性を最大化する二段階進化アルゴリズムを導入する。
さらに,問題の構成要素間の相互依存性を構造的多様性の観点から検討し,最も多様性を得るための最善の方法を実証的に決定する。
また,導入アルゴリズムを総合的に検討し,最近導入されたQD(Quality Diversity)に基づく別のフレームワークと比較した。
実験の結果,ほとんどのTTPベンチマークインスタンスの構造的多様性の観点から,QDアプローチの大幅な改善が示された。
関連論文リスト
- Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-09-07T19:52:14Z) - Illuminating the Diversity-Fitness Trade-Off in Black-Box Optimization [9.838618121102053]
現実世界のアプリケーションでは、ユーザーは1つの高品質なソリューションよりも構造的に多様な設計選択を好むことが多い。
本稿では, この課題に対する新たな視点として, 与えられたしきい値を超えるペア距離の一定数の解を同定する問題を考察する。
論文 参考訳（メタデータ） (2024-08-29T09:55:55Z) - Evolutionary Multi-Objective Diversity Optimization [14.930208990741129]
我々はこの問題を、品質と多様性のトレードオフの幅を求める、双方向最適化問題として扱う。
本稿では,既存の進化的多目的探索手法と互換性のある汎用的な実装手法を提案する。
結果、非支配的な人口は豊かな質的な特徴を示し、最適化事例とそれらが引き起こす品質と多様性のトレードオフについて洞察を与える。
論文 参考訳（メタデータ） (2024-01-15T03:59:42Z) - Towards Multi-Objective High-Dimensional Feature Selection via
Evolutionary Multitasking [63.91518180604101]
本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。
タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
論文 参考訳（メタデータ） (2024-01-03T06:34:39Z) - Socio-cognitive Optimization of Time-delay Control Problems using
Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。
本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文 参考訳（メタデータ） (2022-10-23T22:21:10Z) - Computing High-Quality Solutions for the Patient Admission Scheduling
Problem using Evolutionary Diversity Optimisation [10.609857097723266]
我々は、現実世界の問題、すなわち患者受け入れスケジューリングに対する進化的多様性の最適化に適応する。
本稿では,各解の品質を考慮に入れた一組の解において,構造的多様性を実現するための進化的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-07-28T14:26:45Z) - Co-Evolutionary Diversity Optimisation for the Traveling Thief Problem [11.590506672325668]
本稿では,多成分走行盗難問題に対する2つの空間を同時に探索する共進化的アルゴリズムを提案する。
その結果,論文の基盤となる進化的多様性アルゴリズムと比較して,共進化的アルゴリズムの多様性を著しく向上させる能力を示した。
論文 参考訳（メタデータ） (2022-07-28T12:02:15Z) - 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) - Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian
Modeling [68.69431580852535]
サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。
我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。
我々は2つの異なる社会問題に対してアルゴリズムを実行する。
論文 参考訳（メタデータ） (2021-07-07T03:57:22Z) - An Analysis of Phenotypic Diversity in Multi-Solution Optimization [118.97353274202749]
マルチモーダル最適化は高い適合性ソリューションを生み出し、品質の多様性は遺伝的中立性に敏感ではない。
オートエンコーダは表現型特徴を自動的に発見するために使用され、品質の多様性を備えたさらに多様なソリューションセットを生成する。
論文 参考訳（メタデータ） (2021-05-10T10:39:03Z) - Entropy-Based Evolutionary Diversity Optimisation for the Traveling
Salesperson Problem [11.590506672325668]
我々は,高次エントロピー尺度(High-order entropy measure)と呼ばれる集団多様性尺度を進化的アルゴリズムに応用し,トラベリングセールスパーソン問題に対する多様な高品質な解を求める。
最近提案されたエッジベースの多様性最適化アプローチと比較して,多数のソリューションや長いセグメントを扱う場合に比べて,大幅な改善が見られた。
論文 参考訳（メタデータ） (2021-04-28T02:36:14Z)
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。