論文の概要: PyPop7: A Pure-Python Library for Population-Based Black-Box Optimization
- arxiv url: http://arxiv.org/abs/2212.05652v4
- Date: Fri, 5 Jul 2024 12:25:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-09 03:22:23.529557
- Title: PyPop7: A Pure-Python Library for Population-Based Black-Box Optimization
- Title（参考訳）: PyPop7: 人口ベースのブラックボックス最適化のためのピュアPythonライブラリ
- Authors: Qiqi Duan, Guochen Zhou, Chang Shao, Zhuowei Wang, Mingyang Feng, Yuwei Huang, Yajing Tan, Yijun Yang, Qi Zhao, Yuhui Shi,
- Abstract要約: 我々は、ブラックボックス最適化(BBO)のためのPyPop7と呼ばれるオープンソースの純Pythonライブラリを提案する。
PyPop7の設計目標は、BBOに統一されたAPIとエレガントな実装を提供することである。
- 参考スコア（独自算出の注目度）: 16.25015003901218
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present an open-source pure-Python library called PyPop7 for black-box optimization (BBO). As population-based methods (e.g., evolutionary algorithms, swarm intelligence, and pattern search) become increasingly popular for BBO, the design goal of PyPop7 is to provide a unified API and elegant implementations for them, particularly in challenging high-dimensional scenarios. Since these population-based methods easily suffer from the notorious curse of dimensionality owing to random sampling as one of core operations for most of them, recently various improvements and enhancements have been proposed to alleviate this issue more or less mainly via exploiting possible problem structures: such as, decomposition of search distribution or space, low-memory approximation, low-rank metric learning, variance reduction, ensemble of random subspaces, model self-adaptation, and fitness smoothing. These novel sampling strategies could better exploit different problem structures in high-dimensional search space and therefore they often result in faster rates of convergence and/or better qualities of solution for large-scale BBO. Now PyPop7 has covered many of these important advances on a set of well-established BBO algorithm families and also provided an open-access interface to adding the latest or missed black-box optimizers for further functionality extensions. Its well-designed source code (under GPL-3.0 license) and full-fledged online documents (under CC-BY 4.0 license) have been freely available at \url{https://github.com/Evolutionary-Intelligence/pypop} and \url{https://pypop.readthedocs.io}, respectively.
- Abstract（参考訳）: 本稿では、ブラックボックス最適化(BBO)のためのPyPop7と呼ばれるオープンソースの純Pythonライブラリを提案する。
人口ベースの手法(進化アルゴリズム、群知性、パターン探索など)がBBOでますます普及するにつれて、PyPop7の設計目標は、特に高次元シナリオにおいて、統一されたAPIとエレガントな実装を提供することである。
これらの集団に基づく手法は, 主に探索分布や空間の分解, 低メモリ近似, 低ランクメートル法学習, 分散縮小, ランダム部分空間のアンサンブル, モデル自己適応, フィットネススムーシングといった問題構造を利用して, この問題を緩和する様々な改良と改善が提案されている。
これらの新しいサンプリング戦略は、高次元探索空間における異なる問題構造をよりうまく活用できるため、大規模なBBOの収束率や解の質が向上する。
PyPop7は、確立されたBBOアルゴリズムファミリのセットにおいて、これらの重要な進歩の多くをカバーし、また、機能拡張のために最新のまたは欠落したブラックボックスオプティマイザを追加するためのオープンアクセスインターフェースも提供した。
そのよく設計されたソースコード(GPL-3.0ライセンス下で)と本格的なオンライン文書(CC-BY 4.0ライセンス下で)は、それぞれ \url{https://github.com/Evolutionary-Intelligence/pypop} と \url{https://pypop.readthedocs.io} で自由に入手できる。
関連論文リスト
- Reinforced In-Context Black-Box Optimization [64.25546325063272]
RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。
RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。
提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
論文 参考訳（メタデータ） (2024-02-27T11:32:14Z) - BackboneLearn: A Library for Scaling Mixed-Integer Optimization-Based
Machine Learning [0.0]
BackboneLearnは、インジケータ変数による混合整数最適化問題を高次元問題に拡張するためのフレームワークである。
BackboneLearnはPythonで構築されており、ユーザフレンドリで簡単に実装できる。
BackboneLearnのソースコードはGitHubで入手できる。
論文 参考訳（メタデータ） (2023-11-22T21:07:45Z) - Improving Time and Memory Efficiency of Genetic Algorithms by Storing
Populations as Minimum Spanning Trees of Patches [0.0]
進化的アルゴリズムでは、演算子を適用し、人口を保存する計算コストは、適合性評価のコストに匹敵する。
個体群を最小のスパンニングツリーとして保存することは、頂点が個体に対応するが、それらのメタ情報しか含まない場合において、簡単な実装の代替として実現可能であることを示す。
我々の実験は、メモリ使用量と計算コストの両方の観点から、大幅な改善(クロスオーバー演算子の実行を含む)が達成可能であることを示唆している。
論文 参考訳（メタデータ） (2023-06-29T05:12:14Z) - PyBADS: Fast and robust black-box optimization in Python [11.4219428942199]
PyBADSは、高速で堅牢なブラックボックス最適化のためのAdaptive Direct Search (BADS)アルゴリズムの実装である。
結果を実行するアルゴリズムを実行するための、使い易いPythonインターフェースとともに提供される。
論文 参考訳（メタデータ） (2023-06-27T15:54:44Z) - A Joint Python/C++ Library for Efficient yet Accessible Black-Box and
Gray-Box Optimization with GOMEA [0.0]
GOMEAライブラリを導入し、Python経由でC++で既存のGOMEAコードをアクセスできるようにする。
グレーボックス最適化(GBO)とブラックボックス最適化(BBO)の両方でその性能を示す。
論文 参考訳（メタデータ） (2023-05-10T15:28:31Z) - PyEPO: A PyTorch-based End-to-End Predict-then-Optimize Library for
Linear and Integer Programming [9.764407462807588]
我々はPythonのPyTorchベースのエンドツーエンド予測最適化ライブラリであるPyEPOパッケージを提示する。
PyEPOは、予測対象関数係数を持つ線形および整数プログラミングのための最初の汎用ツールである。
論文 参考訳（メタデータ） (2022-06-28T18:33:55Z) - Stochastic Gradient Descent without Full Data Shuffle [65.97105896033815]
CorgiPileは階層的なデータシャッフル戦略で、完全なデータシャッフルを回避すると同時に、完全なシャッフルを実行したかのようにSGDの収束率を同等に維持する。
以上の結果から,CorgiPileは深層学習モデルと一般化線形モデルの両方において,全シャッフルベースSGDと同等の収束率を達成できることが示唆された。
論文 参考訳（メタデータ） (2022-06-12T20:04:31Z) - AdaLead: A simple and robust adaptive greedy search algorithm for
sequence design [55.41644538483948]
我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。
AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
論文 参考訳（メタデータ） (2020-10-05T16:40:38Z) - Sub-linear Regret Bounds for Bayesian Optimisation in Unknown Search
Spaces [63.22864716473051]
本稿では,反復により探索空間を拡大(およびシフト)する新しいBOアルゴリズムを提案する。
理論的には、どちらのアルゴリズムにおいても、累積的後悔は線形以下の速度で増大する。
論文 参考訳（メタデータ） (2020-09-05T14:24:40Z) - Picasso: A Sparse Learning Library for High Dimensional Data Analysis in
R and Python [77.33905890197269]
本稿では,様々なスパース学習問題に対して,経路座標を統一的に最適化する新しいライブラリについて述べる。
ライブラリはR++でコード化されており、ユーザフレンドリーなスパース実験を行っている。
論文 参考訳（メタデータ） (2020-06-27T02:39:24Z) - Projection & Probability-Driven Black-Box Attack [205.9923346080908]
既存のブラックボックス攻撃は、高次元空間における過剰なクエリを必要とする。
本稿では,この問題を解決するために,プロジェクション&確率駆動型ブラックボックス攻撃(PPBA)を提案する。
我々の手法は、最先端の手法に比べて攻撃成功率の高いクエリを少なくとも24%削減する必要がある。
論文 参考訳（メタデータ） (2020-05-08T03:37:50Z)
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。