論文の概要: Cooperative coevolutionary hybrid NSGA-II with Linkage Measurement
Minimization for Large-scale Multi-objective optimization
- arxiv url: http://arxiv.org/abs/2208.13415v1
- Date: Mon, 29 Aug 2022 08:18:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 13:21:36.094590
- Title: Cooperative coevolutionary hybrid NSGA-II with Linkage Measurement
Minimization for Large-scale Multi-objective optimization
- Title（参考訳）: 大規模多目的最適化のためのリンク計測最小化を用いた協調進化型NSGA-II
- Authors: Rui Zhong and Masaharu Munetomo
- Abstract要約: 大規模多目的問題(LSMOP)に対する協調的共進化に基づく可変グルーピング法を提案する。
サブプロブレム最適化段階では,推定収束点に基づくガウスサンプリング演算子を用いたハイブリッドNSGA-IIを提案する。
- 参考スコア（独自算出の注目度）: 3.274290296343038
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a variable grouping method based on cooperative
coevolution for large-scale multi-objective problems (LSMOPs), named Linkage
Measurement Minimization (LMM). And for the sub-problem optimization stage, a
hybrid NSGA-II with a Gaussian sampling operator based on an estimated
convergence point is proposed. In the variable grouping stage, according to our
previous research, we treat the variable grouping problem as a combinatorial
optimization problem, and the linkage measurement function is designed based on
linkage identification by the nonlinearity check on real code (LINC-R). We
extend this variable grouping method to LSMOPs. In the sub-problem optimization
stage, we hypothesize that there is a higher probability of existing better
solutions around the Pareto Front (PF). Based on this hypothesis, we estimate a
convergence point at every generation of optimization and perform Gaussian
sampling around the convergence point. The samples with good objective value
will participate in the optimization as elites. Numerical experiments show that
our variable grouping method is better than some popular variable grouping
methods, and hybrid NSGA-II has broad prospects for multi-objective problem
optimization.
- Abstract（参考訳）: 本稿では,LMM(Linkage Measurement Minimization)という,大規模多目的問題(LSMOP)に対する協調的共進化に基づく可変グループ化手法を提案する。
サブプロブレム最適化段階では,推定収束点に基づくガウスサンプリング演算子を用いたハイブリッドNSGA-IIを提案する。
可変グルーピングの段階では,変数グルーピング問題を組合せ最適化問題として扱い,実コード上での非線形性チェック(LINC-R)によるリンケージ同定に基づいてリンク計測関数を設計する。
この変数グループ化メソッドをlsmopsに拡張する。
サブプロブレム最適化の段階では、パレートフロント(PF)周辺により良い解が存在する確率が高いと仮定する。
この仮説に基づき、最適化の各世代の収束点を推定し、収束点の周りにガウスサンプリングを行う。
客観的価値の高いサンプルは、エリートとして最適化に参加します。
数値実験により,変数群化法は一般的な変数群化法よりも優れており,ハイブリッドNSGA-IIは多目的問題最適化の幅広い可能性を示している。
関連論文リスト
- Global and Preference-based Optimization with Mixed Variables using
Piecewise Affine Surrogates [1.30536490219656]
本稿では,PWASと呼ばれる新しい代理型グローバル最適化アルゴリズムを提案する。
混合整数線形計画法 (MILP) を用いて, 実現可能な領域を効率的に探索する2種類の探索関数を提案する。
また、PWASpと呼ばれるアルゴリズムの嗜好に基づくバージョンも提供し、サンプル間のペア比較しか取得できない場合に使用できる。
論文 参考訳（メタデータ） (2023-02-09T15:04:35Z) - Extrinsic Bayesian Optimizations on Manifolds [1.3477333339913569]
オイクリッド多様体上の一般最適化問題に対する外部ベイズ最適化(eBO)フレームワークを提案する。
我々のアプローチは、まず多様体を高次元空間に埋め込むことによって、外部ガウス過程を採用することである。
これにより、複素多様体上の最適化のための効率的でスケーラブルなアルゴリズムが導かれる。
論文 参考訳（メタデータ） (2022-12-21T06:10:12Z) - Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。
本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。
我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
論文 参考訳（メタデータ） (2022-09-27T07:58:25Z) - Cooperative coevolutionary Modified Differential Evolution with
Distance-based Selection for Large-Scale Optimization Problems in noisy
environments through an automatic Random Grouping [3.274290296343038]
本稿では,雑音環境における大規模最適化問題を解決するために,自動ランダムグループ化(aRG)を提案する。
また、ノイズの多い環境での能力を高めるために、MDE-DS(Modified Evolution with Distance-based Selection)を導入する。
提案手法は,ノイズの多い環境下でLSOPを解くための幅広い可能性があり,高次元問題への拡張が容易である。
論文 参考訳（メタデータ） (2022-09-02T01:37:17Z) - Adaptive Zeroth-Order Optimisation of Nonconvex Composite Objectives [1.7640556247739623]
ゼロ階エントロピー合成目的のためのアルゴリズムを解析し,次元依存性に着目した。
これは、ミラー降下法と推定類似関数を用いて、決定セットの低次元構造を利用して達成される。
勾配を改善するため、Rademacherに基づく古典的なサンプリング法を置き換え、ミニバッチ法が非ユークリ幾何学に対処することを示す。
論文 参考訳（メタデータ） (2022-08-09T07:36:25Z) - 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) - Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian
Modeling [68.69431580852535]
サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。
我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。
我々は2つの異なる社会問題に対してアルゴリズムを実行する。
論文 参考訳（メタデータ） (2021-07-07T03:57:22Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z) - Adaptive Sampling of Pareto Frontiers with Binary Constraints Using
Regression and Classification [0.0]
本稿では,二項制約を持つブラックボックス多目的最適化問題に対する適応最適化アルゴリズムを提案する。
本手法は確率的回帰モデルと分類モデルに基づいており,最適化目標のサロゲートとして機能する。
また,予想される超体積計算を高速化するために,新しい楕円形トランケーション法を提案する。
論文 参考訳（メタデータ） (2020-08-27T09:15:02Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z) - Convergence of adaptive algorithms for weakly convex constrained
optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。
我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文 参考訳（メタデータ） (2020-06-11T17:43:19Z)
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。