論文の概要: Reproducibility and Baseline Reporting for Dynamic Multi-objective
Benchmark Problems
- arxiv url: http://arxiv.org/abs/2204.04140v1
- Date: Fri, 8 Apr 2022 15:50:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 21:17:25.403291
- Title: Reproducibility and Baseline Reporting for Dynamic Multi-objective
Benchmark Problems
- Title（参考訳）: 動的多目的ベンチマーク問題に対する再現性とベースライン報告
- Authors: Daniel Herring, Michael Kirley, Xin Yao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.859986264602551
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Dynamic multi-objective optimization problems (DMOPs) are widely accepted to
be more challenging than stationary problems due to the time-dependent nature
of the objective functions and/or constraints. Evaluation of purpose-built
algorithms for DMOPs is often performed on narrow selections of dynamic
instances with differing change magnitude and frequency or a limited selection
of problems. In this paper, we focus on the reproducibility of simulation
experiments for parameters of DMOPs. Our framework is based on an extension of
PlatEMO, allowing for the reproduction of results and performance measurements
across a range of dynamic settings and problems. A baseline schema for dynamic
algorithm evaluation is introduced, which provides a mechanism to interrogate
performance and optimization behaviours of well-known evolutionary algorithms
that were not designed specifically for DMOPs. Importantly, by determining the
maximum capability of non-dynamic multi-objective evolutionary algorithms, we
can establish the minimum capability required of purpose-built dynamic
algorithms to be useful. The simplest modifications to manage dynamic changes
introduce diversity. Allowing non-dynamic algorithms to incorporate
mutated/random solutions after change events determines the improvement
possible with minor algorithm modifications. Future expansion to include
current dynamic algorithms will enable reproduction of their results and
verification of their abilities and performance across DMOP benchmark space.
- Abstract（参考訳）: 動的多目的最適化問題(DMOP)は、目的関数や制約の時間依存的な性質のため、定常的な問題よりも困難であることが広く受け入れられている。
dmopsのための目的構築アルゴリズムの評価は、変化の大きさや頻度の異なる動的インスタンスの狭い選択や、問題の選択においてしばしば行われる。
本稿では,DMOPのパラメータに対するシミュレーション実験の再現性に着目した。
我々のフレームワークはPlatEMOの拡張に基づいており、様々な動的設定や問題にまたがって結果とパフォーマンスの測定を再現することができる。
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し、DMOPに特化して設計されていないよく知られた進化的アルゴリズムのパフォーマンスと最適化の振る舞いを問うメカニズムを提供する。
重要なことに、非動的多目的進化アルゴリズムの最大能力を決定することによって、目的に構築された動的アルゴリズムの最小能力を確立することができる。
動的変化を管理する最も単純な修正は多様性をもたらす。
変更イベント後に変更/ランダムなソリューションを組み込む非動的アルゴリズムが、マイナーなアルゴリズム修正によって可能となる改善を決定する。
現在の動的アルゴリズムを含む将来の拡張は、結果の再現とDMOPベンチマーク空間におけるその能力と性能の検証を可能にする。
関連論文リスト
- An Adaptive Metaheuristic Framework for Changing Environments [0.0]
本稿では動的環境向けに設計された適応メタヒューリスティックフレームワーク(AMF)を紹介する。
AMFは、問題の動的表現、リアルタイムセンシングシステム、適応技術を組み合わせて、継続的に変化する最適化環境をナビゲートする。
論文 参考訳（メタデータ） (2024-04-18T13:47:53Z) - 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) - 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) - Three-Way Trade-Off in Multi-Objective Learning: Optimization,
Generalization and Conflict-Avoidance [47.42067405054353]
MOL(Multi-objective Learning)は、機械学習の新興問題においてしばしば発生する問題である。
MOLにおける重要な課題の1つは、反復最適化プロセスにおける異なる目的間の潜在的な衝突である。
近年,MGDAやその変種など,MOLの動的重み付けアルゴリズムが開発されている。
論文 参考訳（メタデータ） (2023-05-31T17:31:56Z) - On the Impact of Operators and Populations within Evolutionary
Algorithms for the Dynamic Weighted Traveling Salesperson Problem [13.026567958569965]
動的環境におけるノード重み付け販売員問題(W-TSP)について検討する。
問題の動的設定では、時間とともにTSPツアーの一部として収集されるアイテムが変更される。
最初の実験では,このような変化がツアーの最適化に与える影響について検討した。
論文 参考訳（メタデータ） (2023-05-30T11:39:49Z) - Vector Autoregressive Evolution for Dynamic Multi-Objective Optimisation [7.5104598146227]
動的多目的最適化(DMO)は、様々な環境において複数の目的を持つ最適化問題を扱う。
本稿では,DMOの環境変化に対応するために,ベクトル自己回帰(VAR)と環境対応ハイパーミューテーションからなるベクトル自己回帰進化(VARE)を提案する。
論文 参考訳（メタデータ） (2023-05-22T06:24:25Z) - Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。
シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
論文 参考訳（メタデータ） (2022-09-15T07:22:58Z) - Multi-objective hyperparameter optimization with performance uncertainty [62.997667081978825]
本稿では,機械学習アルゴリズムの評価における不確実性を考慮した多目的ハイパーパラメータ最適化の結果について述べる。
木構造型Parzen Estimator(TPE)のサンプリング戦略と、ガウス過程回帰(GPR)と異種雑音の訓練後に得られたメタモデルを組み合わせる。
3つの解析的テスト関数と3つのML問題の実験結果は、多目的TPEとGPRよりも改善したことを示している。
論文 参考訳（メタデータ） (2022-09-09T14:58:43Z) - 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) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z) - Single- and Multi-Objective Evolutionary Algorithms for the Knapsack
Problem with Dynamically Changing Constraints [13.896724650508087]
古典的knapsack問題に対する単目的・多目的ベースライン進化アルゴリズムについて検討する。
この結果から, 動的変化を考慮に入れた集団を用いた多目的アプローチは, 多くのベンチマークシナリオにおいて明らかな優位性を有することが示された。
論文 参考訳（メタデータ） (2020-04-27T03:50:24Z)
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。