論文の概要: A Data-Driven Evolutionary Transfer Optimization for Expensive Problems in Dynamic Environments

• arxiv url: http://arxiv.org/abs/2211.02879v1
• Date: Sat, 5 Nov 2022 11:19:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 16:18:20.632696
• Title: A Data-Driven Evolutionary Transfer Optimization for Expensive Problems in Dynamic Environments
• Title（参考訳）: 動的環境における余剰問題に対するデータ駆動進化移動最適化
• Authors: Ke Li, Renzhi Chen, Xin Yao
• Abstract要約: データ駆動、つまりサロゲート支援、進化的最適化は、高価なブラックボックス最適化問題に対処するための効果的なアプローチとして認識されている。 本稿では,データ駆動型進化的最適化により動的最適化問題を解くための,シンプルだが効果的な伝達学習フレームワークを提案する。 提案手法の有効性を実世界のケーススタディで実証した。
• 参考スコア（独自算出の注目度）: 9.098403098464704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world problems are usually computationally costly and the objective functions evolve over time. Data-driven, a.k.a. surrogate-assisted, evolutionary optimization has been recognized as an effective approach for tackling expensive black-box optimization problems in a static environment whereas it has rarely been studied under dynamic environments. This paper proposes a simple but effective transfer learning framework to empower data-driven evolutionary optimization to solve dynamic optimization problems. Specifically, it applies a hierarchical multi-output Gaussian process to capture the correlation between data collected from different time steps with a linearly increased number of hyperparameters. Furthermore, an adaptive source task selection along with a bespoke warm staring initialization mechanisms are proposed to better leverage the knowledge extracted from previous optimization exercises. By doing so, the data-driven evolutionary optimization can jump start the optimization in the new environment with a strictly limited computational budget. Experiments on synthetic benchmark test problems and a real-world case study demonstrate the effectiveness of our proposed algorithm against nine state-of-the-art peer algorithms.
• Abstract（参考訳）: 多くの実世界の問題は計算コストがかかり、目的関数は時間とともに進化する。 データ駆動、つまりサロゲート支援、進化的最適化は、静的環境で高価なブラックボックス最適化問題に取り組むための効果的なアプローチとして認識されている。 本稿では,データ駆動型進化的最適化により動的最適化問題を解くための,シンプルだが効果的な伝達学習フレームワークを提案する。 具体的には、階層的な多出力ガウス法を用いて、異なる時間ステップから収集されたデータ間の相関を線形に増加するハイパーパラメータ数で捉える。 さらに, 従来の最適化演習から抽出した知識をより有効活用するために, 適応的なソースタスク選択と, 暖かく輝く初期化機構を提案する。 これにより、データ駆動の進化的最適化は、厳密な計算予算で新しい環境で最適化を開始することができる。 合成ベンチマークテスト問題に関する実験と実例実験は,提案手法が9つの最先端ピアアルゴリズムに対して有効であることを示す。

関連論文リスト

• Discovering Preference Optimization Algorithms with and for Large Language Models [50.843710797024805]
  オフライン優先最適化は、LLM(Large Language Model)出力の品質を向上・制御するための重要な手法である。 我々は、人間の介入なしに、新しい最先端の選好最適化アルゴリズムを自動で発見する客観的発見を行う。 実験は、ロジスティックと指数的損失を適応的にブレンドする新しいアルゴリズムであるDiscoPOPの最先端性能を示す。
  論文  参考訳（メタデータ） (2024-06-12T16:58:41Z)
• Solving Expensive Optimization Problems in Dynamic Environments with Meta-learning [32.41025515064283]
  本稿では,高コストな動的最適化問題を解くための,シンプルなメタラーニングに基づく最適化フレームワークを提案する。 このフレームワークは柔軟性があり、任意の既製のサロゲートモデルをプラグイン形式で連続的に使用することができる。 いくつかの最先端アルゴリズムと比較して,提案手法の有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-10-19T07:42:51Z)
• 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)
• Data-driven evolutionary algorithm for oil reservoir well-placement and control optimization [3.012067935276772]
  一般化されたデータ駆動進化アルゴリズム(GDDE)は、適切な配置と制御最適化問題で実行されるシミュレーションの数を減らすために提案される。 確率的ニューラルネットワーク(PNN)は、情報的および有望な候補を選択するための分類器として採用されている。
  論文  参考訳（メタデータ） (2022-06-07T09:07:49Z)
• High-dimensional Bayesian Optimization Algorithm with Recurrent Neural Network for Disease Control Models in Time Series [1.9371782627708491]
  本稿では,リカレントニューラルネットワークを組み合わせた高次元ベイズ最適化アルゴリズムを提案する。 提案したRNN-BOアルゴリズムは,低次元空間における最適制御問題を解くことができる。 また、RNN層の異なる数の影響や、ソリューションの品質と関連する計算努力のトレードオフに対する訓練のエポックスについても論じる。
  論文  参考訳（メタデータ） (2022-01-01T08:40:17Z)
• An Online Prediction Approach Based on Incremental Support Vector Machine for Dynamic Multiobjective Optimization [19.336520152294213]
  インクリメンタルサポートベクトルマシン(ISVM)に基づく新しい予測アルゴリズムを提案する。 動的多目的最適化問題(DMOP)の解決をオンライン学習プロセスとして扱う。 提案アルゴリズムは動的多目的最適化問題に効果的に取り組むことができる。
  論文  参考訳（メタデータ） (2021-02-24T08:51:23Z)
• Incremental Data-driven Optimization of Complex Systems in Nonstationary Environments [26.93254582875251]
  本稿では、動的環境がもたらす課題に対処するデータ駆動最適化アルゴリズムを提案する。 まず、サロゲートを訓練するためにデータストリームアンサンブル学習法を採用し、アンサンブルの各ベース学習者が前の環境における時間変化対象関数を学習する。 その後、マルチタスク進化アルゴリズムを用いて、アンサンブルサロゲートによって支援された過去の環境における問題を同時に最適化する。
  論文  参考訳（メタデータ） (2020-12-14T02:55:42Z)
• 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)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)
• Bilevel Optimization for Differentially Private Optimization in Energy Systems [53.806512366696275]
  本稿では,入力に敏感な制約付き最適化問題に対して,差分プライバシーを適用する方法について検討する。 本稿は, 自然仮定の下では, 大規模非線形最適化問題に対して, 双レベルモデルを効率的に解けることを示す。
  論文  参考訳（メタデータ） (2020-01-26T20:15:28Z)

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。