論文の概要: Evolutionary Algorithms for Limiting the Effect of Uncertainty for the
Knapsack Problem with Stochastic Profits
- arxiv url: http://arxiv.org/abs/2204.05597v1
- Date: Tue, 12 Apr 2022 07:56:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 05:42:02.770127
- Title: Evolutionary Algorithms for Limiting the Effect of Uncertainty for the
Knapsack Problem with Stochastic Profits
- Title（参考訳）: 確率的利益をもつクナプサック問題に対する不確かさの影響を制限する進化的アルゴリズム
- Authors: Aneta Neumann, Yue Xie, Frank Neumann
- Abstract要約: 我々は、利益が不確実性を伴うクナプサック問題を考察する。
我々は、不確実性の影響を制限するために、尾の不平等に基づいて利益を扱う様々な方法を導入する。
- 参考スコア（独自算出の注目度）: 14.352521012951865
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evolutionary algorithms have been widely used for a range of stochastic
optimization problems in order to address complex real-world optimization
problems. We consider the knapsack problem where the profits involve
uncertainties. Such a stochastic setting reflects important real-world
scenarios where the profit that can be realized is uncertain. We introduce
different ways of dealing with stochastic profits based on tail inequalities
such as Chebyshev's inequality and Hoeffding bounds that allow to limit the
impact of uncertainties. We examine simple evolutionary algorithms and the use
of heavy tail mutation and a problem-specific crossover operator for optimizing
uncertain profits. Our experimental investigations on different benchmarks
instances show the results of different approaches based on tail inequalities
as well as improvements achievable through heavy tail mutation and the problem
specific crossover operator.
- Abstract（参考訳）: 複雑な実世界の最適化問題に対処するために、進化的アルゴリズムは様々な確率的最適化問題に広く使われている。
我々は利益が不確実性を伴うナップサック問題を考える。
このような確率的な設定は、実現可能な利益が不確実な重要な現実世界のシナリオを反映している。
我々は、チェビシェフの不等式や不確実性の影響を制限するホーフディング境界のような尾の不等式に基づく確率的利益を扱う様々な方法を導入する。
単純な進化アルゴリズムと重末尾変異と問題特異的クロスオーバー演算子を用いて不確実性利益を最適化する。
評価実験では,末尾不等式に基づく異なるアプローチの結果と,重末尾変異と問題特異的クロスオーバー演算子によって達成可能な改善を示す。
関連論文リスト
- Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。
提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
論文 参考訳（メタデータ） (2024-10-22T10:19:27Z) - A Guide to Stochastic Optimisation for Large-Scale Inverse Problems [4.926711494319977]
最適化アルゴリズムは、大量のデータを持つ機械学習のデファクトスタンダードです。
我々は、逆問題の観点から、最適化における最先端の総合的な説明を提供する。
私たちは、機械学習で一般的に遭遇しない、ユニークな最適化の課題に焦点を合わせています。
論文 参考訳（メタデータ） (2024-06-10T15:02:30Z) - Evolving Reliable Differentiating Constraints for the Chance-constrained Maximum Coverage Problem [8.98161858972433]
確率制約付きグラフにおける古典的最大カバレッジ問題について検討する。
我々のゴールは、アルゴリズムの性能が著しく異なるグラフに対する信頼性の高い確率制約設定を進化させることである。
本研究では、2つの探索アルゴリズムの性能を高い信頼性で区別する確率制約セットを提供する進化的アルゴリズムを開発する。
論文 参考訳（メタデータ） (2024-05-29T05:22:31Z) - Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。
我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。
本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
論文 参考訳（メタデータ） (2023-12-07T15:55:58Z) - Evolutionary Multi-Objective Algorithms for the Knapsack Problems with
Stochastic Profits [13.026567958569965]
我々は、ある商品の利益に対する一定の信頼を保証するため、利益を伴うknapsack問題のバージョンを検討する。
利益率制約付きクナップサック問題の多目的定式化を導入し, 両目的性評価法を3つ設計する。
両設定のベンチマークにおいて,提案手法の有効性を示す。
論文 参考訳（メタデータ） (2023-03-03T03:28:51Z) - Model-Based Uncertainty in Value Functions [89.31922008981735]
MDP上の分布によって引き起こされる値の分散を特徴付けることに重点を置いている。
従来の作業は、いわゆる不確実性ベルマン方程式を解くことで、値よりも後方の分散を境界にしている。
我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式を提案する。
論文 参考訳（メタデータ） (2023-02-24T09:18:27Z) - Distributed Stochastic Optimization under a General Variance Condition [13.911633636387059]
分散最適化は最近、大規模な機械学習問題の解決に効果があるとして、大きな注目を集めている。
我々は、古典的フェデレーション平均化(Avg)を再考し、滑らかな非対象関数に対して、緩やかな分散しか持たない収束結果を確立する。
ほぼ1つの定常収束点も勾配条件の下で成立する。
論文 参考訳（メタデータ） (2023-01-30T05:48:09Z) - Learning to Optimize with Stochastic Dominance Constraints [103.26714928625582]
本稿では,不確実量を比較する問題に対して,単純かつ効率的なアプローチを開発する。
我々はラグランジアンの内部最適化をサロゲート近似の学習問題として再考した。
提案したライト-SDは、ファイナンスからサプライチェーン管理に至るまで、いくつかの代表的な問題において優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-14T21:54:31Z) - Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。
演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
論文 参考訳（メタデータ） (2022-01-21T02:46:57Z) - High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。
非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。
そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
論文 参考訳（メタデータ） (2021-06-10T17:54:21Z) - Breeding Diverse Packings for the Knapsack Problem by Means of
Diversity-Tailored Evolutionary Algorithms [13.026567958569965]
我々はknapsack問題(KP)に対する進化的多様性の最適化について研究する。
我々のゴールは、KP のよく知られた FPTAS によって計算された初期近似解で、すべての利益が少なくとも$(mu+1)$-EA である解の集団を進化させることである。
論文 参考訳（メタデータ） (2021-04-27T12:26:18Z)
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。