論文の概要: Coevolutionary Pareto Diversity Optimization
- arxiv url: http://arxiv.org/abs/2204.05457v1
- Date: Tue, 12 Apr 2022 00:52:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 05:49:26.990707
- Title: Coevolutionary Pareto Diversity Optimization
- Title（参考訳）: 共進化パレート多様性最適化
- Authors: Aneta Neumann, Denis Antipov, Frank Neumann
- Abstract要約: 共進化的Pareto Diversity Optimizationアプローチを導入する。
特に,集団間クロスオーバーの利用により,解の集合の多様性がさらに向上することを示す。
- 参考スコア（独自算出の注目度）: 13.026567958569965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computing diverse sets of high quality solutions for a given optimization
problem has become an important topic in recent years. In this paper, we
introduce a coevolutionary Pareto Diversity Optimization approach which builds
on the success of reformulating a constrained single-objective optimization
problem as a bi-objective problem by turning the constraint into an additional
objective. Our new Pareto Diversity optimization approach uses this
bi-objective formulation to optimize the problem while also maintaining an
additional population of high quality solutions for which diversity is
optimized with respect to a given diversity measure. We show that our standard
co-evolutionary Pareto Diversity Optimization approach outperforms the recently
introduced DIVEA algorithm which obtains its initial population by generalized
diversifying greedy sampling and improving the diversity of the set of
solutions afterwards. Furthermore, we study possible improvements of the Pareto
Diversity Optimization approach. In particular, we show that the use of
inter-population crossover further improves the diversity of the set of
solutions.
- Abstract（参考訳）: 近年,最適化問題に対する多種多様な高品質ソリューションの計算が重要な話題となっている。
本稿では,制約を付加目的にすることで,制約付き単目的最適化問題を双目的問題として再構成する成功を基盤とした,進化的パレート多様性最適化手法を提案する。
当社の新しいpareto diversity optimizationアプローチでは、この2目的の定式化を使用して問題を最適化するとともに、与えられた多様性尺度に関して多様性を最適化した高品質なソリューションの集団も維持しています。
提案手法は,最近導入したdiveaアルゴリズムを上回っており,その初期個体数を一般化してグリーディサンプリングを行い,その後に解の集合の多様性を向上させることで実現している。
さらに,Pareto Diversity Optimizationアプローチの改善の可能性についても検討した。
特に,集団間クロスオーバーの利用により,解集合の多様性がさらに向上することを示す。
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) - 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) - Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳（メタデータ） (2023-10-10T00:21:10Z) - Rigorous Runtime Analysis of Diversity Optimization with GSEMO on
OneMinMax [13.026567958569965]
両目的のベンチマーク問題であるOneMinにおいて,GSEMOアルゴリズムの多様性向上による人口の多様性の最適化について検討した。
問題サイズ$n$が奇数である場合、期待時間$O(n2)$で最適な多様性を持つ集団が見つかることを証明している。
目標を達成するために、人口のランダムウォークを分析し、人口の変化頻度とその成果を反映する。
論文 参考訳（メタデータ） (2023-07-14T09:43:29Z) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳（メタデータ） (2023-05-31T12:07:50Z) - 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) - 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) - Evolutionary Diversity Optimisation for The Traveling Thief Problem [11.590506672325668]
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。
論文 参考訳（メタデータ） (2022-04-06T10:13:55Z) - Optimizer Amalgamation [124.33523126363728]
私たちは、Amalgamationという新しい問題の研究を動機付けています。"Teacher"アマルガメーションのプールを、より強力な問題固有のパフォーマンスを持つ単一の"学生"にどのように組み合わせるべきなのでしょうか?
まず、勾配降下による解析のプールをアマルガメートする3つの異なるメカニズムを定義する。
また, プロセスの分散を低減するため, 目標を摂動させることでプロセスの安定化を図る。
論文 参考訳（メタデータ） (2022-03-12T16:07:57Z) - 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。