論文の概要: Global and Preference-based Optimization with Mixed Variables using
Piecewise Affine Surrogates
- arxiv url: http://arxiv.org/abs/2302.04686v1
- Date: Thu, 9 Feb 2023 15:04:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-10 15:36:32.641848
- Title: Global and Preference-based Optimization with Mixed Variables using
Piecewise Affine Surrogates
- Title(参考訳): ピースワイズアフィンサロゲートを用いた混合変数を用いた大域的および選好的最適化
- Authors: Mengjia Zhu, Alberto Bemporad
- Abstract要約: 本稿では,PWASと呼ばれる新しい代理型グローバル最適化アルゴリズムを提案する。
混合整数線形計画法 (MILP) を用いて, 実現可能な領域を効率的に探索する2種類の探索関数を提案する。
また、PWASpと呼ばれるアルゴリズムの嗜好に基づくバージョンも提供し、サンプル間のペア比較しか取得できない場合に使用できる。
- 参考スコア(独自算出の注目度): 1.30536490219656
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimization problems involving mixed variables, i.e., variables of numerical
and categorical nature, can be challenging to solve, especially in the presence
of complex constraints. Moreover, when the objective function is the result of
a simulation or experiment, it may be expensive to evaluate. In this paper, we
propose a novel surrogate-based global optimization algorithm, called PWAS,
based on constructing a piecewise affine surrogate of the objective function
over feasible samples. We introduce two types of exploration functions to
efficiently search the feasible domain via mixed integer linear programming
(MILP) solvers. We also provide a preference-based version of the algorithm,
called PWASp, which can be used when only pairwise comparisons between samples
can be acquired while the objective function remains unquantified. PWAS and
PWASp are tested on mixed-variable benchmark problems with and without
constraints. The results show that, within a small number of acquisitions, PWAS
and PWASp can often achieve better or comparable results than other existing
methods.
- Abstract(参考訳): 混合変数、すなわち数値的およびカテゴリー的性質の変数を含む最適化問題は、特に複雑な制約が存在する場合、解決が困難である。
さらに、目的関数がシミュレーションや実験の結果である場合、評価は高価である可能性がある。
本稿では,対象関数の断片的なアフィンサロゲートを構成することに基づく,PWASと呼ばれる新しいサロゲートに基づくグローバル最適化アルゴリズムを提案する。
混合整数線形計画法(MILP)を用いて,実現可能な領域を効率的に探索する2種類の探索関数を提案する。
pwaspと呼ばれるアルゴリズムの選好ベースのバージョンも提供しています。これは、目的関数が定量化されていない間、サンプル間のペアワイズ比較のみを取得できる場合にも使用できます。
PWASとPWASpは、制約のない混合変数ベンチマーク問題で試験される。
その結果, PWAS と PWASp は, ごく少数の買収において, 既存の手法よりもよく, あるいは同等の結果が得られることがわかった。
関連論文リスト
- RIGA: A Regret-Based Interactive Genetic Algorithm [14.388696798649658]
そこで本研究では,多目的最適化問題を優先的精度で解くための対話型遺伝的アルゴリズムを提案する。
我々のアルゴリズムはRIGAと呼ばれ、集約関数がパラメータ内で線形であることから、任意の多目的最適化問題に適用できる。
いくつかのパフォーマンス指標(計算時間、最適性とクエリ数のギャップ)に対して、RIGAは最先端のアルゴリズムよりも優れた結果を得る。
論文 参考訳(メタデータ) (2023-11-10T13:56:15Z) - Fast Screening Rules for Optimal Design via Quadratic Lasso
Reformulation [0.135975510645475]
本研究は, 安全スクリーニングのルールを導出し, インテリジェンスサンプルを廃棄する。
新しいテストは、特に高次元のパラメータ空間に関わる問題に対して、より高速に計算できる。
本稿では,ラッソ法の正規化経路を計算するホモトピーアルゴリズムを,正方形 $ell_$-penalty に対して再パラメータ化する方法を示す。
論文 参考訳(メタデータ) (2023-10-13T08:10:46Z) - Sample-Efficient Multi-Agent RL: An Optimization Perspective [103.35353196535544]
一般関数近似に基づく汎用マルコフゲーム(MG)のためのマルチエージェント強化学習(MARL)について検討した。
汎用MGに対するマルチエージェントデカップリング係数(MADC)と呼ばれる新しい複雑性尺度を導入する。
我々のアルゴリズムは既存の研究に匹敵するサブリニアな後悔を与えることを示す。
論文 参考訳(メタデータ) (2023-10-10T01:39:04Z) - First-order methods for Stochastic Variational Inequality problems with
Function Constraints [5.830629896477968]
変分不等式(VI)は機械学習において重要な問題である。
本稿では,機能制約VI(FCVI)問題に対する新しい一階法を提案する。
論文 参考訳(メタデータ) (2023-04-10T17:07:55Z) - Factorization of Multi-Agent Sampling-Based Motion Planning [72.42734061131569]
現代のロボティクスは、共有環境内で複数のエンボディエージェントを動作させることが多い。
標準的なサンプリングベースのアルゴリズムは、ロボットの関節空間における解の探索に使用できる。
我々は、因子化の概念をサンプリングベースアルゴリズムに統合し、既存の手法への最小限の変更しか必要としない。
本稿では, PRM* のサンプル複雑性の観点から解析的ゲインを導出し, RRG の実証結果を示す。
論文 参考訳(メタデータ) (2023-04-01T15:50:18Z) - Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。
微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
論文 参考訳(メタデータ) (2023-02-24T18:41:48Z) - Multi-block-Single-probe Variance Reduced Estimator for Coupled
Compositional Optimization [49.58290066287418]
構成問題の複雑さを軽減するために,MSVR (Multi-block-probe Variance Reduced) という新しい手法を提案する。
本研究の結果は, 試料の複雑さの順序や強靭性への依存など, 様々な面で先行して改善された。
論文 参考訳(メタデータ) (2022-07-18T12:03:26Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳(メタデータ) (2022-01-28T05:53:28Z) - A Granular Sieving Algorithm for Deterministic Global Optimization [6.01919376499018]
リプシッツ連続関数に対する大域的最適化問題を解くために、勾配のない決定論的手法を開発した。
この方法は、目的関数の領域と範囲の両方で同期解析を行うグラニュラーシービングとみなすことができる。
論文 参考訳(メタデータ) (2021-07-14T10:03:03Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳(メタデータ) (2021-06-22T16:07:02Z) - Bayesian optimization of variable-size design space problems [0.0]
このタイプの最適化問題を解決するために,ベイズ最適化に基づく2つのアプローチが提案されている。
最初のアプローチは、最も有望な設計サブスペースに計算予算を集中させるための予算配分戦略である。
第二のアプローチは、部分的に異なる変数の集合によって特徴づけられるサンプル間の共分散を計算することができるカーネル関数の定義に基づいている。
論文 参考訳(メタデータ) (2020-03-06T16:30:44Z)
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。