論文の概要: Solution and Fitness Evolution (SAFE): A Study of Multiobjective Problems

• arxiv url: http://arxiv.org/abs/2206.13509v1
• Date: Sat, 25 Jun 2022 18:42:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-29 13:08:01.326555
• Title: Solution and Fitness Evolution (SAFE): A Study of Multiobjective Problems
• Title（参考訳）: ソリューションとフィットネスの進化(safe) : 多目的問題の研究
• Authors: Moshe Sipper, Jason H. Moore, Ryan J. Urbanowicz
• Abstract要約: 我々は最近、2つの共進化する集団を維持する共進化的共進化アルゴリズムSAFEを発表した。 その結果,SAFEはロボット迷路領域内でのソリューションの進化に成功していることがわかった。 予備的ではあるが、結果はSAFEと共進化解と目的関数の概念が類似した最適多目的解の集合を特定することを示唆している。
• 参考スコア（独自算出の注目度）: 4.149117182410553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We have recently presented SAFE -- Solution And Fitness Evolution -- a commensalistic coevolutionary algorithm that maintains two coevolving populations: a population of candidate solutions and a population of candidate objective functions. We showed that SAFE was successful at evolving solutions within a robotic maze domain. Herein we present an investigation of SAFE's adaptation and application to multiobjective problems, wherein candidate objective functions explore different weightings of each objective. Though preliminary, the results suggest that SAFE, and the concept of coevolving solutions and objective functions, can identify a similar set of optimal multiobjective solutions without explicitly employing a Pareto front for fitness calculation and parent selection. These findings support our hypothesis that the SAFE algorithm concept can not only solve complex problems, but can adapt to the challenge of problems with multiple objectives.
• Abstract（参考訳）: 我々は最近、SAFE -- Solution And Fitness Evolution - 共進化的共進化的アルゴリズムで、2つの共進化する集団: 候補解の集団と候補目的関数の集団。 我々は,SAFEがロボット迷路領域内のソリューションの進化に成功していることを示した。 本稿では,各目的の異なる重み付けを対象関数が探索する多目的問題に対するsafeの適応と応用について検討する。 予備的ではあるが,SAFE,および共進化解と目的関数の概念は,適合度計算や親選択にパレートフロントを明示的に使用せずに,類似した最適多目的解の集合を同定することができることを示唆している。 これらの結果は,SAFEアルゴリズムの概念が複雑な問題を解くだけでなく,複数の目的を持つ問題に適応できるという仮説を支持している。

関連論文リスト

• Maintaining Diversity Provably Helps in Evolutionary Multimodal Optimization [20.621635722585502]
  解空間における解の多様性を考慮に入れた簡単な方法が進化的アルゴリズム(EA)の探索に有効であることを示す。 提案手法は,クロスオーバーで作業することで探索の促進に寄与し,予測走行時間において,マルチモーダルあるいは指数加速度がもたらされることを実証する。
  論文  参考訳（メタデータ） (2024-06-04T17:52:14Z)
• UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
  マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。 重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。 学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T09:34:42Z)
• Many-Objective Multi-Solution Transport [36.07360460509921]
  many-objective multi-solution Transport (MosT) は、Paretoの多くの目的に対して複数の多様なソリューションを見つけるためのフレームワークである。 MosTはこの問題を各解に対する重み付けされた目的の2段階の最適化として定式化し、そこでは重み付けは目的と解の間の最適な輸送によって定義される。
  論文  参考訳（メタデータ） (2024-03-06T23:03:12Z)
• 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)
• Multi-Target Multiplicity: Flexibility and Fairness in Target Specification under Resource Constraints [76.84999501420938]
  対象の選択が個人の結果にどのように影響するかを評価するための概念的および計算的枠組みを導入する。 目的変数選択から生じる多重度は, 1つのターゲットのほぼ最適モデルから生じるものよりも大きいことが示される。
  論文  参考訳（メタデータ） (2023-06-23T18:57:14Z)
• 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)
• Multi-Objective GFlowNets [59.16787189214784]
  本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。 薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。 GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
  論文  参考訳（メタデータ） (2022-10-23T16:15:36Z)
• Solution and Fitness Evolution (SAFE): Coevolving Solutions and Their Objective Functions [4.149117182410553]
  戦略をテキスト化するための効果的な客観的関数は、目的への距離の単純な関数ではないかもしれない。 我々はtextbfSolution textbfAnd textbfFitness textbfSAFE, textitcommensalistic coevolutionary algorithmを提案する。
  論文  参考訳（メタデータ） (2022-06-25T18:41:00Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• Discovering Diverse Solutions in Deep Reinforcement Learning [84.45686627019408]
  強化学習アルゴリズムは通常、特定のタスクの単一のソリューションを学ぶことに限定される。 連続的あるいは離散的な低次元潜在変数に条件付きポリシーを訓練することにより、無限に多くの解を学習できるRL法を提案する。
  論文  参考訳（メタデータ） (2021-03-12T04:54:31Z)
• Pareto Multi-Task Learning [53.90732663046125]
  マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。 異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。 近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
  論文  参考訳（メタデータ） (2019-12-30T08:58:40Z)

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。