論文の概要: Exploring the effectiveness of surrogate-assisted evolutionary
algorithms on the batch processing problem
- arxiv url: http://arxiv.org/abs/2210.17149v1
- Date: Mon, 31 Oct 2022 09:00:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 15:02:57.913752
- Title: Exploring the effectiveness of surrogate-assisted evolutionary
algorithms on the batch processing problem
- Title（参考訳）: 代理支援進化アルゴリズムのバッチ処理問題に対する有効性の検討
- Authors: Mohamed Z. Variawa, Terence L. Van Zyl and Matthew Woolway
- Abstract要約: 本稿では,文献におけるよく知られたバッチ処理問題のシミュレーションを紹介する。
遺伝的アルゴリズム(GA)や微分進化(DE)といった進化的アルゴリズムを用いてシミュレーションの最適なスケジュールを見つける。
次に、サロゲート支援されたアルゴリズムによって得られる解の質を、ベースラインアルゴリズムと比較する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world optimisation problems typically have objective functions which
cannot be expressed analytically. These optimisation problems are evaluated
through expensive physical experiments or simulations. Cheap approximations of
the objective function can reduce the computational requirements for solving
these expensive optimisation problems. These cheap approximations may be
machine learning or statistical models and are known as surrogate models. This
paper introduces a simulation of a well-known batch processing problem in the
literature. Evolutionary algorithms such as Genetic Algorithm (GA),
Differential Evolution (DE) are used to find the optimal schedule for the
simulation. We then compare the quality of solutions obtained by the
surrogate-assisted versions of the algorithms against the baseline algorithms.
Surrogate-assistance is achieved through Probablistic Surrogate-Assisted
Framework (PSAF). The results highlight the potential for improving baseline
evolutionary algorithms through surrogates. For different time horizons, the
solutions are evaluated with respect to several quality indicators. It is shown
that the PSAF assisted GA (PSAF-GA) and PSAF-assisted DE (PSAF-DE) provided
improvement in some time horizons. In others, they either maintained the
solutions or showed some deterioration. The results also highlight the need to
tune the hyper-parameters used by the surrogate-assisted framework, as the
surrogate, in some instances, shows some deterioration over the baseline
algorithm.
- Abstract（参考訳）: 実世界の最適化問題は通常、解析的に表現できない客観的関数を持つ。
これらの最適化問題は、高価な物理実験やシミュレーションによって評価される。
目的関数のチープ近似は、これらの高価な最適化問題を解決するための計算要求を減らすことができる。
これらの安価な近似は機械学習や統計モデルであり、代理モデルとして知られている。
本稿では,文献中でよく知られたバッチ処理問題のシミュレーションを紹介する。
遺伝的アルゴリズム(ga)や微分進化(de)といった進化的アルゴリズムは、シミュレーションの最適なスケジュールを見つけるために用いられる。
次に,サロゲート支援型アルゴリズムで得られた解の質をベースラインアルゴリズムと比較する。
代理支援はProbablistic Surrogate-Assisted Framework (PSAF)を通じて行われる。
この結果は、サロゲートによるベースライン進化アルゴリズムの改善の可能性を強調している。
異なる時間軸に対して、解はいくつかの品質指標に対して評価される。
また,PSAF補助GA (PSAF-GA) とPSAF補助DE (PSAF-DE) が一定の時間帯で改善した。
他の例では、彼らはソリューションを維持するか、多少の劣化を見せた。
結果はまた、サーロゲートがベースラインアルゴリズムよりも若干の劣化を示すため、サーロゲート支援フレームワークが使用するハイパーパラメータのチューニングの必要性も強調している。
関連論文リスト
- Comparative study of regression vs pairwise models for surrogate-based heuristic optimisation [1.2535250082638645]
本稿では, シュロゲート問題の定式化を, 適合度を近似する回帰モデル(表面シュロゲートモデル)と, 分類モデル(ペアワイズ・シュロゲートモデル)を結合する新しい方法の両方として扱う。
オンライン機械学習に基づくサロゲートモデルを用いる場合の全体探索の性能は、予測モデルの精度だけでなく、正または負のケースに対するバイアスの種類にも依存する。
論文 参考訳（メタデータ） (2024-10-04T13:19:06Z) - Model Uncertainty in Evolutionary Optimization and Bayesian Optimization: A Comparative Analysis [5.6787965501364335]
ブラックボックス最適化問題は、多くの現実世界のアプリケーションで一般的な問題である。
これらの問題はインプット・アウトプット・インタラクションを通じて内部動作へのアクセスなしに最適化する必要がある。
このような問題に対処するために2つの広く使われている勾配のない最適化手法が用いられている。
本稿では,2つの手法間のモデル不確実性の類似点と相違点を明らかにすることを目的とする。
論文 参考訳（メタデータ） (2024-03-21T13:59:19Z) - GE-AdvGAN: Improving the transferability of adversarial samples by
gradient editing-based adversarial generative model [69.71629949747884]
GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。
本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-11T16:43:16Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Rank-Based Learning and Local Model Based Evolutionary Algorithm for High-Dimensional Expensive Multi-Objective Problems [1.0499611180329806]
提案アルゴリズムは, ランクベース学習, ハイパーボリュームベース非支配探索, 比較的スパースな対象空間における局所探索の3つの部分からなる。
地熱貯留層熱抽出最適化におけるベンチマーク問題と実世界の応用の実験的結果は,提案アルゴリズムが優れた性能を示すことを示すものである。
論文 参考訳（メタデータ） (2023-04-19T06:25:04Z) - Multi-surrogate Assisted Efficient Global Optimization for Discrete
Problems [0.9127162004615265]
本稿では、離散的な問題を解くために、複数のシミュレーションベースの代理モデルの同時利用の可能性について検討する。
以上の結果から,SAMA-DiEGOはテスト問題の大部分において,より優れた解に迅速に収束できることが示唆された。
論文 参考訳（メタデータ） (2022-12-13T09:10:08Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Multi-objective hyperparameter optimization with performance uncertainty [62.997667081978825]
本稿では,機械学習アルゴリズムの評価における不確実性を考慮した多目的ハイパーパラメータ最適化の結果について述べる。
木構造型Parzen Estimator(TPE)のサンプリング戦略と、ガウス過程回帰(GPR)と異種雑音の訓練後に得られたメタモデルを組み合わせる。
3つの解析的テスト関数と3つのML問題の実験結果は、多目的TPEとGPRよりも改善したことを示している。
論文 参考訳（メタデータ） (2022-09-09T14:58:43Z) - Surrogate-Assisted Genetic Algorithm for Wrapper Feature Selection [4.89253144446913]
複数レベルの近似やサロゲートを利用する新しい多段階特徴選択フレームワークを提案する。
実験の結果, SAGAはラッパーGAの3倍の速度で, ほぼ最適解に到達できることがわかった。
論文 参考訳（メタデータ） (2021-11-17T12:33:18Z) - 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) - 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)
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。