論文の概要: A collaborative decomposition-based evolutionary algorithm integrating normal and penalty-based boundary intersection for many-objective optimization

• arxiv url: http://arxiv.org/abs/2204.07176v1
• Date: Thu, 14 Apr 2022 18:06:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-18 12:19:19.714231
• Title: A collaborative decomposition-based evolutionary algorithm integrating normal and penalty-based boundary intersection for many-objective optimization
• Title（参考訳）: 多目的最適化のための正規・ペナルティ境界交差点を統合した協調分解型進化アルゴリズム
• Authors: Yu Wu, Jianle Wei, Weiqin Ying, Yanqi Lan, Zhen Cui, Zhenyu Wang
• Abstract要約: コラボレーティブ分解に基づく進化アルゴリズム (CoDEA) を多目的最適化のために提案する。 CoDEAは、コンバージェンス、均一性、分散の多様性のバランスを良好に保ちながら、協調的な分解から恩恵を受ける高い競争性を達成する。
• 参考スコア（独自算出の注目度）: 19.204299370473617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decomposition-based evolutionary algorithms have become fairly popular for many-objective optimization in recent years. However, the existing decomposition methods still are quite sensitive to the various shapes of frontiers of many-objective optimization problems (MaOPs). On the one hand, the cone decomposition methods such as the penalty-based boundary intersection (PBI) are incapable of acquiring uniform frontiers for MaOPs with very convex frontiers. On the other hand, the parallel reference lines of the parallel decomposition methods including the normal boundary intersection (NBI) might result in poor diversity because of under-sampling near the boundaries for MaOPs with concave frontiers. In this paper, a collaborative decomposition method is first proposed to integrate the advantages of parallel decomposition and cone decomposition to overcome their respective disadvantages. This method inherits the NBI-style Tchebycheff function as a convergence measure to heighten the convergence and uniformity of distribution of the PBI method. Moreover, this method also adaptively tunes the extent of rotating an NBI reference line towards a PBI reference line for every subproblem to enhance the diversity of distribution of the NBI method. Furthermore, a collaborative decomposition-based evolutionary algorithm (CoDEA) is presented for many-objective optimization. A collaborative decomposition-based environmental selection mechanism is primarily designed in CoDEA to rank all the individuals associated with the same PBI reference line in the boundary layer and pick out the best ranks. CoDEA is compared with several popular algorithms on 85 benchmark test instances. The experimental results show that CoDEA achieves high competitiveness benefiting from the collaborative decomposition maintaining a good balance among the convergence, uniformity, and diversity of distribution.
• Abstract（参考訳）: 分解に基づく進化的アルゴリズムは近年多目的最適化にかなり人気がある。 しかし、既存の分解法はまだ多目的最適化問題(MaOP)のフロンティアの様々な形状に非常に敏感である。 一方、ペナルティベース境界交差点(pbi)のような円錐分解法は、非常に凸な辺境を持つmaopsの均一なフロンティアを取得することができない。 一方, 標準境界交点(NBI)を含む並列分解手法の並列参照線は, 凹面フロンティアを持つMaOPの境界付近でのアンダーサンプリングにより, 多様性が低下する可能性がある。 本稿では, 並列分解とコーン分解の利点を統合し, それぞれの欠点を克服するために, 協調分解法を最初に提案する。 この方法は、pbi法分布の収束性と一様性を高める収束測度としてnbi型チェビチェフ関数を継承する。 さらに、サブプロブレム毎に、NBI基準線をPBI基準線に向けて回転させる範囲を適応的に調整し、NBI法の分布の多様性を高める。 さらに,多目的最適化のために協調分解型進化アルゴリズム(codea)を提案する。 コラボレーティブな分解に基づく環境選択機構は、主にCoDEAにおいて、境界層内の同じPBI基準線に関連付けられたすべての個人をランク付けし、最高のランクを選択するために設計されている。 CoDEAは85のベンチマークテストインスタンスで人気のアルゴリズムと比較される。 実験結果から,CoDEAはコンバージェンス,均一性,分散の多様性のバランスを良好に保ちながら,協調的分解による高い競争性を達成することが示された。

関連論文リスト

• SPARKLE: A Unified Single-Loop Primal-Dual Framework for Decentralized Bilevel Optimization [35.92829763686735]
  本稿では,複数のエージェントが協調して,近傍通信によるネスト最適化構造に関わる問題を解く分散二段階最適化について検討する。 SPARKLE(Single-loop Primal-dual AlgoRithm frameworK)を提案する。 本稿では,SPARKLEの統一収束解析を行い,既存の分散二段階アルゴリズムと比較して,最先端の収束率を持つ全変種に適用する。
  論文  参考訳（メタデータ） (2024-11-21T14:23:06Z)
• Analyzing and Overcoming Local Optima in Complex Multi-Objective Optimization by Decomposition-Based Evolutionary Algorithms [5.153202024713228]
  多目的進化アルゴリズム(MOEAD)はしばしば局所最適に収束し、解の多様性を制限する。 本稿では,局所最適問題を克服するために,革新的なRP選択戦略であるベクトルガイドウェイトハイブリッド法を提案する。 本研究は,2014年から2022年までのMOEADsフレームワークにおける14のアルゴリズムによるアブレーションと,提案手法の有効性を従来の手法と最先端の手法の両方に対して評価するための一連の実証実験からなる。
  論文  参考訳（メタデータ） (2024-04-12T14:29:45Z)
• ALEXR: An Optimal Single-Loop Algorithm for Convex Finite-Sum Coupled Compositional Stochastic Optimization [53.14532968909759]
  ALEXRと呼ばれる,効率的な単ループプリマルデュアルブロックコーディネートアルゴリズムを提案する。 本研究では, ALEXR の凸面および強凸面の収束速度を滑らか性および非滑らか性条件下で確立する。 本稿では,ALEXRの収束速度が,検討されたcFCCO問題に対する1次ブロック座標アルゴリズムの中で最適であることを示すために,より低い複雑性境界を示す。
  論文  参考訳（メタデータ） (2023-12-04T19:00:07Z)
• A unified consensus-based parallel ADMM algorithm for high-dimensional regression with combined regularizations [3.280169909938912]
  並列交互乗算器 (ADMM) は大規模分散データセットの処理に有効であることが広く認識されている。 提案アルゴリズムは,財務事例の信頼性,安定性,スケーラビリティを示す。
  論文  参考訳（メタデータ） (2023-11-21T03:30:38Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)
• An Optimal Algorithm for the Real-Valued Combinatorial Pure Exploration of Multi-Armed Bandit [65.268245109828]
  多武装バンディット(R-CPE-MAB)の真価純探査問題について検討する。 既存のR-CPE-MABの手法は、いわゆるトランスダクティブ線形帯域の特殊な場合と見なすことができる。 本稿では,差分探索アルゴリズム (CombGapE) を提案する。
  論文  参考訳（メタデータ） (2023-06-15T15:37:31Z)
• Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
  本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。 微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
  論文  参考訳（メタデータ） (2023-02-24T18:41:48Z)
• The Hybridization of Branch and Bound with Metaheuristics for Nonconvex Multiobjective Optimization [0.0]
  分岐境界法と多目的進化アルゴリズムを組み合わせたハイブリッドフレームワークを提案する。 多目的進化アルゴリズムは、分岐および束縛手順の間、厳密な下限と上限を誘導することを目的としている。
  論文  参考訳（メタデータ） (2022-12-09T01:36:20Z)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• A novel multiobjective evolutionary algorithm based on decomposition and multi-reference points strategy [14.102326122777475]
  分解に基づく多目的進化アルゴリズム(MOEA/D)は、多目的最適化問題(MOP)を解く上で、極めて有望なアプローチであると考えられている。 本稿では,よく知られたPascoletti-Serafiniスキャラライゼーション法とマルチ参照ポイントの新たな戦略により,MOEA/Dアルゴリズムの改良を提案する。
  論文  参考訳（メタデータ） (2021-10-27T02:07:08Z)

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。