論文の概要: An Interactive Knowledge-based Multi-objective Evolutionary Algorithm Framework for Practical Optimization Problems

• arxiv url: http://arxiv.org/abs/2209.08604v1
• Date: Sun, 18 Sep 2022 16:51:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 16:49:25.052804
• Title: An Interactive Knowledge-based Multi-objective Evolutionary Algorithm Framework for Practical Optimization Problems
• Title（参考訳）: 対話型知識ベース多目的進化アルゴリズムフレームワークの実用化
• Authors: Abhiroop Ghosh, Kalyanmoy Deb, Erik Goodman, and Ronald Averill
• Abstract要約: 本稿では,対話型知識に基づく進化的多目的最適化(IK-EMO)フレームワークを提案する。 ハイパフォーマンスなソリューションの進化から知識として隠れた変数関係を抽出し、フィードバックを受け取るためにユーザと共有し、その効率を改善するために最適化プロセスに適用する。 提案したIK-EMOの動作は、3つの大規模な実世界のエンジニアリング設計問題で実証されている。
• 参考スコア（独自算出の注目度）: 5.387300498478744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Experienced users often have useful knowledge and intuition in solving real-world optimization problems. User knowledge can be formulated as inter-variable relationships to assist an optimization algorithm in finding good solutions faster. Such inter-variable interactions can also be automatically learned from high-performing solutions discovered at intermediate iterations in an optimization run - a process called innovization. These relations, if vetted by the users, can be enforced among newly generated solutions to steer the optimization algorithm towards practically promising regions in the search space. Challenges arise for large-scale problems where the number of such variable relationships may be high. This paper proposes an interactive knowledge-based evolutionary multi-objective optimization (IK-EMO) framework that extracts hidden variable-wise relationships as knowledge from evolving high-performing solutions, shares them with users to receive feedback, and applies them back to the optimization process to improve its effectiveness. The knowledge extraction process uses a systematic and elegant graph analysis method which scales well with number of variables. The working of the proposed IK-EMO is demonstrated on three large-scale real-world engineering design problems. The simplicity and elegance of the proposed knowledge extraction process and achievement of high-performing solutions quickly indicate the power of the proposed framework. The results presented should motivate further such interaction-based optimization studies for their routine use in practice.
• Abstract（参考訳）: 経験豊富なユーザは、現実世界の最適化問題を解決する上で有用な知識と直感を持っていることが多い。 ユーザ知識を変数間の関係として定式化することで、優れたソリューションを見つけるための最適化アルゴリズムを支援することができる。 このような変数間の相互作用は、最適化実行中の中間イテレーションで発見されたハイパフォーマンスなソリューションから自動的に学習することができる。 これらの関係は、ユーザによって検証された場合、新しく生成されたソリューション間で強制され、検索空間の有望な領域に向けて最適化アルゴリズムを操ることができる。 このような変数関係の数が高くなるような大規模問題に対して問題が発生する。 本稿では,ハイパフォーマンスソリューションの進化から隠れた変数間関係を知識として抽出し,ユーザと共有してフィードバックを受け取り,その効果を改善するための最適化プロセスに適用する,対話型知識ベース進化多目的最適化(ik-emo)フレームワークを提案する。 知識抽出プロセスでは,変数数によく適合する体系的かつエレガントなグラフ分析手法を用いる。 提案したIK-EMOの動作は、3つの大規模な実世界のエンジニアリング設計問題で実証されている。 提案する知識抽出プロセスの単純さとエレガンスさ,高パフォーマンス解の達成は,提案手法のパワーを素早く示している。 提案する結果は,実際の日常的使用に対するインタラクションに基づくさらなる最適化研究を動機付けるものと思われる。

関連論文リスト

• Large Language Models for Combinatorial Optimization of Design Structure Matrix [4.513609458468522]
  エンジニアリングアプリケーションの効率と性能を改善するためには、組合せ最適化(CO)が不可欠である。 実世界の工学的問題に関しては、純粋数学的推論に基づくアルゴリズムは限定的であり、最適化に必要な文脈ニュアンスを捉えることができない。 本研究では,工学的CO問題の解法におけるLarge Language Models (LLMs) の可能性について,その推論能力と文脈的知識を活用して検討する。
  論文  参考訳（メタデータ） (2024-11-19T15:39:51Z)
• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。 本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
  論文  参考訳（メタデータ） (2023-12-28T23:15:18Z)
• Achieving Diversity in Objective Space for Sample-efficient Search of Multiobjective Optimization Problems [4.732915763557618]
  本稿では,LMS 取得機能を導入し,その挙動と特性を解析し,その実現可能性を示す。 この手法は、意思決定者に対して、将来性のある設計決定の堅牢なプールを提供し、優れたソリューションの空間をよりよく理解するのに役立つ。
  論文  参考訳（メタデータ） (2023-06-23T20:42:22Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• Learning Adaptive Evolutionary Computation for Solving Multi-Objective Optimization Problems [3.3266268089678257]
  本稿では, 深層強化学習(DRL)を用いた適応パラメータ制御とMOEAを統合したフレームワークを提案する。 DRLポリシは、最適化中のソリューションに対する突然変異の強度と確率を決定する値を適応的に設定するように訓練されている。 学習されたポリシーは転送可能であることを示す。つまり、単純なベンチマーク問題で訓練されたポリシーは、複雑な倉庫最適化問題を解決するために直接適用可能である。
  論文  参考訳（メタデータ） (2022-11-01T22:08:34Z)
• Socio-cognitive Optimization of Time-delay Control Problems using Evolutionary Metaheuristics [89.24951036534168]
  メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。 本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
  論文  参考訳（メタデータ） (2022-10-23T22:21:10Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)
• Optimizing Wireless Systems Using Unsupervised and Reinforced-Unsupervised Deep Learning [96.01176486957226]
  無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。 本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
  論文  参考訳（メタデータ） (2020-01-03T11:01:52Z)

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。