論文の概要: Towards KAB2S: Learning Key Knowledge from Single-Objective Problems to
Multi-Objective Problem
- arxiv url: http://arxiv.org/abs/2206.12906v1
- Date: Sun, 26 Jun 2022 15:36:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-29 06:42:52.655720
- Title: Towards KAB2S: Learning Key Knowledge from Single-Objective Problems to
Multi-Objective Problem
- Title(参考訳): KAB2Sに向けて : 単目的問題から多目的問題への鍵知識の学習
- Authors: Xu Wendi, Wang Xianpeng, Guo Qingxin, Song Xiangman, Zhao Ren, Zhao
Guodong, Yang Yang, Xu Te, He Dakuo
- Abstract要約: ETOは、進化計算における過去の問題の解決から、関連する経験と知識のゼロ再利用という伝統的なパラダイムを克服する。
ETOによるスケジューリングでは、インテリジェントなスケジューリングとグリーンスケジューリングの両方のために、非常に魅力的で競争性の高いフレームワーク"ミーティング"が形成される。
- 参考スコア(独自算出の注目度): 8.049958323732362
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As "a new frontier in evolutionary computation research", evolutionary
transfer optimization(ETO) will overcome the traditional paradigm of zero reuse
of related experience and knowledge from solved past problems in researches of
evolutionary computation. In scheduling applications via ETO, a quite appealing
and highly competitive framework "meeting" between them could be formed for
both intelligent scheduling and green scheduling, especially for international
pledge of "carbon neutrality" from China. To the best of our knowledge, our
paper on scheduling here, serves as the 1st work of a class of ETO frameworks
when multiobjective optimization problem "meets" single-objective optimization
problems in discrete case (not multitasking optimization). More specifically,
key knowledge conveyed for industrial applications, like positional building
blocks with genetic algorithm based settings, could be used via the new core
transfer mechanism and learning techniques for permutation flow shop scheduling
problem(PFSP). Extensive studies on well-studied benchmarks validate firm
effectiveness and great universality of our proposed ETO-PFSP framework
empirically. Our investigations (1) enrich the ETO frameworks, (2) contribute
to the classical and fundamental theory of building block for genetic
algorithms and memetic algorithms, and (3) head towards the paradigm shift of
evolutionary scheduling via learning by proposal and practice of paradigm of
"knowledge and building-block based scheduling" (KAB2S) for "industrial
intelligence" in China.
- Abstract(参考訳): 進化的計算研究の新しいフロンティア」として、進化的伝達最適化(eto)は進化的計算研究における過去の問題からの関連する経験と知識のゼロ再利用という従来のパラダイムを克服する。
etoによるスケジューリングアプリケーションでは、知的スケジューリングとグリーンスケジューリングの両方、特に中国からの「炭素中立性」の国際的な誓約のために、非常に魅力的で競争の激しいフレームワーク「ミーティング」が形成される可能性がある。
我々の知る限り、ここでのスケジューリングに関する論文は、多目的最適化問題(マルチタスク最適化ではない)が離散ケースにおいて単目的最適化問題を「省略する」場合に、ETOフレームワークのクラスの最初の作業となる。
より具体的には、遺伝的アルゴリズムをベースとした位置決定ブロックのような産業応用のための重要な知識は、置換フローショップスケジューリング問題(PFSP)のための新しいコア転送機構と学習技術によって利用することができる。
提案するETO-PFSPフレームワークの有効性と大域的普遍性を実証的に検証した。
本研究は,(1)ETOフレームワークを充実させ,(2)遺伝的アルゴリズムとメメティックアルゴリズムのブロック構築の古典的・基本的理論に寄与し,(3)中国における「インダストリアルインテリジェンス」のための「知識とビルディングブロックに基づくスケジューリング(KAB2S)」のパラダイムの提案と実践により,進化的スケジューリングのパラダイムシフトに向かう。
関連論文リスト
- Principled Penalty-based Methods for Bilevel Reinforcement Learning and
RLHF [92.98631843849503]
本稿では, ペナルティ定式化のレンズによる二レベルRL問題の解法として, 第一原理のアルゴリズムフレームワークを提案する。
本稿では,問題景観とそのペナルティに基づく勾配(政治)アルゴリズムについて理論的研究を行う。
シミュレーションによるアルゴリズムの有効性を,Stackelberg Markovゲーム,人間からのフィードバックとインセンティブ設計によるRLで実証する。
論文 参考訳(メタデータ) (2024-02-10T04:54:15Z) - Hierarchical Deep Counterfactual Regret Minimization [53.86223883060367]
本稿では,大規模な状態空間や深部ゲームツリーを含むタスクにおいて,学習効率を向上させる革新的な手法であるDeep CFRの最初の階層バージョンを紹介する。
HDCFRのこれまでの研究よりも顕著な利点は、事前に定義された(人間的な)専門知識による学習の促進と、同様のタスクに移行可能なスキルの獲得を促進する能力である。
論文 参考訳(メタデータ) (2023-05-27T02:05:41Z) - A Survey on Influence Maximization: From an ML-Based Combinatorial
Optimization [2.9882027965916413]
影響最大化(IM)は、モバイルネットワーク、ソーシャルコンピューティング、レコメンデーションシステムで広く用いられる古典的な最適化問題である。
主な課題は、IM問題のNP硬度と、影響力の広がりを推定する#P硬度である。
我々は,関連する背景知識,基本原則,共通手法,応用研究の要約に重点を置いている。
論文 参考訳(メタデータ) (2022-11-06T10:13:42Z) - ETO Meets Scheduling: Learning Key Knowledge from Single-Objective
Problems to Multi-Objective Problem [2.4112990554464235]
ETOは「進化計算研究の新しいフロンティア」として機能する。
ETOによるスケジューリングでは、インテリジェントなスケジューリングとグリーンスケジューリングの両方に非常に競争力のある"ミーティング"フレームワークを構成することができる。
論文 参考訳(メタデータ) (2022-06-26T15:29:57Z) - Decentralized Personalized Federated Learning for Min-Max Problems [82.6119578133503]
本稿では,より広い範囲の最適化問題を含むサドル点問題に対して,PFLを初めて検討した。
この問題に対処するための新しいアルゴリズムを提案し、滑らかな(強く)凸-(強く)凹点問題を理論的に解析する。
両線形問題に対する数値実験と, 対向雑音を有するニューラルネットワークは, 提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2021-06-14T10:36:25Z) - Meta-Learning with Neural Tangent Kernels [58.06951624702086]
メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。
このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。
本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
論文 参考訳(メタデータ) (2021-02-07T20:53:23Z) - Investigating Bi-Level Optimization for Learning and Vision from a
Unified Perspective: A Survey and Beyond [114.39616146985001]
機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。
本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。
次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
論文 参考訳(メタデータ) (2021-01-27T16:20:23Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-07-27T12:38:37Z) - A Unifying Framework for Reinforcement Learning and Planning [2.564530030795554]
本稿では、強化学習計画(FRAP)のための統一的アルゴリズムフレームワークを提案する。
論文の最後には、これらの次元に沿って、よく知られたプランニング、モデルフリー、モデルベースRLアルゴリズムを比較した。
論文 参考訳(メタデータ) (2020-06-26T14:30:41Z) - Reinforcement Learning for Variable Selection in a Branch and Bound
Algorithm [0.10499611180329801]
現実世界のインスタンスのパターンを活用して、与えられた問題に最適化された新しいブランチ戦略をスクラッチから学習します。
本稿では,この課題に特化して設計された新しい強化学習手法であるFMSTSを提案する。
論文 参考訳(メタデータ) (2020-05-20T13:15:48Z)
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。