論文の概要: Lipschitz-based Surrogate Model for High-dimensional Computationally Expensive Problems

• arxiv url: http://arxiv.org/abs/2204.14236v1
• Date: Fri, 29 Apr 2022 17:07:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-02 17:46:09.815856
• Title: Lipschitz-based Surrogate Model for High-dimensional Computationally Expensive Problems
• Title（参考訳）: 高次元計算コスト問題に対するlipschitz-based surrogate model
• Authors: Jakub Kudela and Radomil Matousek
• Abstract要約: 代理支援進化アルゴリズム (SAEA) は近年, 探索能力により注目されている。 本稿では,コスト対計算対象関数のリプシッツ過小評価に基づく新しいサロゲートモデルを提案する。 また,リプシッツに基づく代理モデルを用いた微分進化に基づくアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Standard evolutionary optimization algorithms assume that the evaluation of the objective and constraint functions is straightforward and computationally cheap. However, in many real-world optimization problems, the computations of the objective function or constraints involve computationally expensive numerical simulations or physical experiments. Surrogate-assisted evolutionary algorithms (SAEAs) have recently gained increased attention because of their search capabilities for solving these computationally expensive optimization problems. The main idea of SAEAs is the integration of an evolutionary algorithm with a selected surrogate model. In this paper, we propose a novel surrogate model based on a Lipschitz underestimation of the expensive-to-compute objective function. We also develop a differential evolution-based algorithm, that utilizes the Lipschitz-based surrogate model, along with a standard radial basis function surrogate model and a local search procedure. This algorithm, called Lipschitz Surrogate-assisted Differential Evolution (LSADE), is designed for high-dimensional computationally expensive problems. The experimental results on seven benchmark functions of dimensions 30, 50, 100, and 200 show that the proposed method utilizing the Lipschitz-based surrogate model is competitive compared with the state-of-the-art algorithms under a limited computational budget, being especially effective for the very complicated benchmark functions in high dimensions.
• Abstract（参考訳）: 標準進化最適化アルゴリズムは、目的関数と制約関数の評価が単純で計算量的に安価であると仮定している。 しかし、現実の多くの最適化問題において、目的関数や制約の計算には計算に高価な数値シミュレーションや物理実験が含まれる。 サーロゲート支援進化アルゴリズム(SAEA)は,これらの計算コストの高い最適化問題を解くための探索能力のため,近年注目を集めている。 SAEAの主な考え方は、進化的アルゴリズムと選択された代理モデルの統合である。 本稿では,コスト対計算目的関数のリプシッツ過大評価に基づく新しいサロゲートモデルを提案する。 また,リプシッツに基づくサーロゲートモデルと標準ラジアル基底関数サーロゲートモデルと局所探索手順を併用した微分進化に基づくアルゴリズムを開発した。 このアルゴリズムはLipschitz Surrogate-assisted Differential Evolution (LSADE)と呼ばれ、高次元の計算コスト問題のために設計されている。 30, 50, 100, 200の7つのベンチマーク関数に対する実験結果から, 高次元の非常に複雑なベンチマーク関数に対して, リプシッツに基づくサロゲートモデルを用いた提案手法は, 計算予算が制限された最先端のアルゴリズムと比較して競合することが示された。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Large Language Models as Surrogate Models in Evolutionary Algorithms: A Preliminary Study [5.6787965501364335]
  サロゲートアシスト選択は、高価な最適化問題を解決する進化アルゴリズムの中核的なステップである。 伝統的に、これは従来の機械学習手法に依存しており、過去の評価を利用して新しいソリューションの性能を予測する。 本研究では,LLM推論機能に基づいた新しいサロゲートモデルを提案する。
  論文  参考訳（メタデータ） (2024-06-15T15:54:00Z)
• Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
  単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。 我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
  論文  参考訳（メタデータ） (2024-03-08T18:50:19Z)
• Landscape-Sketch-Step: An AI/ML-Based Metaheuristic for Surrogate Optimization Problems [0.0]
  コスト関数の広範囲な評価が高価で、アクセス不能、あるいは禁止されるシナリオにおいて、グローバルな最適化のための新しいアルゴリズムを導入する。 この手法はLandscape-Sketch-and-Step (LSS)と呼ばれ、機械学習、レプリカ最適化、強化学習技術を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-09-14T01:53:45Z)
• Improving Sample Efficiency of Model-Free Algorithms for Zero-Sum Markov Games [66.2085181793014]
  モデルフリーのステージベースQ-ラーニングアルゴリズムはモデルベースアルゴリズムと同じ$H$依存の最適性を享受できることを示す。 本アルゴリズムは,楽観的値関数と悲観的値関数のペアとして参照値関数を更新するキーとなる新しい設計を特徴とする。
  論文  参考訳（メタデータ） (2023-08-17T08:34:58Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Rank-Based Learning and Local Model Based Evolutionary Algorithm for High-Dimensional Expensive Multi-Objective Problems [1.0499611180329806]
  提案アルゴリズムは, ランクベース学習, ハイパーボリュームベース非支配探索, 比較的スパースな対象空間における局所探索の3つの部分からなる。 地熱貯留層熱抽出最適化におけるベンチマーク問題と実世界の応用の実験的結果は,提案アルゴリズムが優れた性能を示すことを示すものである。
  論文  参考訳（メタデータ） (2023-04-19T06:25:04Z)
• Exploring the effectiveness of surrogate-assisted evolutionary algorithms on the batch processing problem [0.0]
  本稿では,文献におけるよく知られたバッチ処理問題のシミュレーションを紹介する。 遺伝的アルゴリズム(GA)や微分進化(DE)といった進化的アルゴリズムを用いてシミュレーションの最適なスケジュールを見つける。 次に、サロゲート支援されたアルゴリズムによって得られる解の質を、ベースラインアルゴリズムと比較する。
  論文  参考訳（メタデータ） (2022-10-31T09:00:39Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• Surrogate Assisted Evolutionary Algorithm for Medium Scale Expensive Multi-Objective Optimisation Problems [4.338938227238059]
  目的関数の代理モデルを構築することは、進化アルゴリズム(EA)が現実世界の複雑な最適化問題を解決するのに効果的であることが示されている。 本稿では,50個の決定変数を持つ中規模の高コスト多目的最適化問題に対して,ガウス過程サロゲートモデルによるEA支援手法を提案する。 提案アルゴリズムの有効性を,3つの最先端SAEAと比較し,10,20,50変数のベンチマーク問題に対して検証した。
  論文  参考訳（メタデータ） (2020-02-08T12:06:08Z)

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。