論文の概要: Cooperative coevolutionary Modified Differential Evolution with
Distance-based Selection for Large-Scale Optimization Problems through an
automatic Random Grouping
- arxiv url: http://arxiv.org/abs/2209.00777v1
- Date: Fri, 2 Sep 2022 01:37:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 12:16:27.308908
- Title: Cooperative coevolutionary Modified Differential Evolution with
Distance-based Selection for Large-Scale Optimization Problems through an
automatic Random Grouping
- Title（参考訳）: 自動ランダムグルーピングによる大規模最適化問題の遠隔選択による協調共進化型微分進化
- Authors: Rui Zhong and Masaharu Munetomo
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.274290296343038
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many optimization problems suffer from noise, and nonlinearity check-based
decomposition methods (e.g. Differential Grouping) will completely fail to
detect the interactions between variables in multiplicative noisy environments,
thus, it is difficult to decompose the large-scale optimization problems
(LSOPs) in noisy environments. In this paper, we propose an automatic Random
Grouping (aRG), which does not need any explicit hyperparameter specified by
users. Simulation experiments and mathematical analysis show that aRG can
detect the interactions between variables without the fitness landscape
knowledge, and the sub-problems decomposed by aRG have smaller scales, which is
easier for EAs to optimize. Based on the cooperative coevolution (CC)
framework, we introduce an advanced optimizer named Modified Differential
Evolution with Distance-based Selection (MDE-DS) to enhance the search ability
in noisy environments. Compared with canonical DE, the parameter
self-adaptation, the balance between diversification and intensification, and
the distance-based probability selection endow MDE-DS with stronger ability in
exploration and exploitation. To evaluate the performance of our proposal, we
design $500$-D and $1000$-D problems with various separability in noisy
environments based on the CEC2013 LSGO Suite. Numerical experiments show that
our proposal has broad prospects to solve LSOPs in noisy environments and can
be easily extended to higher-dimensional problems.
- Abstract（参考訳）: 多くの最適化問題はノイズに悩まされており、非線形性チェックに基づく分解法(例えば微分グルーピング)は乗法的雑音環境における変数間の相互作用を完全に検出できないため、雑音環境における大規模最適化問題(LSOP)を分解することは困難である。
本稿では,ユーザが指定した明示的なハイパーパラメータを必要としない自動ランダムグループ(aRG)を提案する。
シミュレーション実験と数学的解析により、aRGはフィットネスランドスケープの知識を使わずに変数間の相互作用を検出でき、aRGによって分解されたサブプロブレムはより小さく、EAの最適化が容易であることが示された。
協調的共進化 (CC) の枠組みに基づき, ノイズの多い環境下での探索能力を高めるために, 距離を用いた改良微分進化 (MDE-DS) という高度な最適化手法を導入する。
パラメータ自己適応, 多様化と拡大のバランス, 距離ベース確率選択は, MDE-DSを探索と利用の能力に優れていた。
提案手法の性能を評価するため,CEC2013 LSGO Suite に基づく雑音環境下での様々な分離性を有する500ドルと1,000ドルを設計した。
数値実験により,ノイズの多い環境下でLSOPを解き,高次元問題に容易に拡張できる可能性が示唆された。
関連論文リスト
- Parameter optimization comparison in QAOA using Stochastic Hill Climbing with Random Re-starts and Local Search with entangled and non-entangled mixing operators [0.0]
本研究では,Hill Climbing with Random Restarts (SHC-RR) の有効性を検討した。
以上の結果から,SHC-RRはLSアプローチよりも優れており,より単純な最適化機構にもかかわらず優れた有効性を示した。
論文 参考訳（メタデータ） (2024-05-14T20:12:17Z) - Adaptive Differential Evolution with Diversification: Addressing
Optimization Challenges [0.0]
ADEDは適応的な突然変異とZレート、多様な突然変異戦術、多様化メカニズム、モニタリングシナリオを含む適応的な多様なアプローチと差別化している。
論文 参考訳（メタデータ） (2023-12-22T06:33:56Z) - CAMEO: A Causal Transfer Learning Approach for Performance Optimization
of Configurable Computer Systems [16.75106122540052]
環境変化下での因果予測の不変性を同定する手法であるCAMEOを提案する。
MLperf深層学習システム,ビデオ分析パイプライン,データベースシステムにおいて,最先端の最適化手法に対する大幅な性能向上を示す。
論文 参考訳（メタデータ） (2023-06-13T16:28:37Z) - Vector Autoregressive Evolution for Dynamic Multi-Objective Optimisation [7.5104598146227]
動的多目的最適化(DMO)は、様々な環境において複数の目的を持つ最適化問題を扱う。
本稿では,DMOの環境変化に対応するために,ベクトル自己回帰(VAR)と環境対応ハイパーミューテーションからなるベクトル自己回帰進化(VARE)を提案する。
論文 参考訳（メタデータ） (2023-05-22T06:24:25Z) - Cooperative coevolutionary hybrid NSGA-II with Linkage Measurement
Minimization for Large-scale Multi-objective optimization [3.274290296343038]
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。
論文 参考訳（メタデータ） (2022-08-29T08:18:15Z) - Differentiable Invariant Causal Discovery [106.87950048845308]
観測データから因果構造を学ぶことは、機械学習の基本的な課題である。
本稿では,不特定変分因果解法(DICD)を提案する。
合成および実世界のデータセットに関する大規模な実験は、DICDがSHDの36%まで最先端の因果発見手法より優れていることを検証している。
論文 参考訳（メタデータ） (2022-05-31T09:29:07Z) - Neural Stochastic Dual Dynamic Programming [99.80617899593526]
我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。
$nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
論文 参考訳（メタデータ） (2021-12-01T22:55:23Z) - Multi-Objective Constrained Optimization for Energy Applications via
Tree Ensembles [55.23285485923913]
エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。
場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。
本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
論文 参考訳（メタデータ） (2021-11-04T20:18:55Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - Robust Reconfigurable Intelligent Surfaces via Invariant Risk and Causal
Representations [55.50218493466906]
本稿では,データ分布の変化に伴うロバスト再構成可能なインテリジェントサーフェス(ris)システム設計の問題について検討する。
不変リスク最小化(IRM)の概念を用いて、複数の環境にまたがる不変因果表現を用いて、予測器が各環境に対して同時に最適となるようにする。
予測器を探すためにニューラルネットワークベースのソリューションを採用し、その性能は経験的リスク最小化に基づく設計に対するシミュレーションによって検証される。
論文 参考訳（メタデータ） (2021-05-04T21:36:31Z) - 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)
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。