論文の概要: Global and Preference-based Optimization with Mixed Variables using
Piecewise Affine Surrogates
- arxiv url: http://arxiv.org/abs/2302.04686v2
- Date: Wed, 7 Jun 2023 21:44:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 19:29:52.914255
- 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,線形制約付き混合変数問題の解法として,新しいサロゲートに基づく大域的最適化アルゴリズムを提案する。
本稿では,2種類の探索関数を導入し,混合整数線形計画解法を用いて実現可能な領域を効率的に探索する。
提案アルゴリズムは,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多い。
- 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 complicated simulation or experiment, it may be expensive to evaluate. This
paper proposes a novel surrogate-based global optimization algorithm to solve
linearly constrained mixed-variable problems up to medium-large size (around
100 variables after encoding and 20 constraints) 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 solvers. We also provide a
preference-based version of the algorithm, which can be used when only pairwise
comparisons between samples can be acquired while the underlying objective
function to minimize remains unquantified. The two algorithms are tested on
mixed-variable benchmark problems with and without constraints. The results
show that, within a small number of acquisitions, the proposed algorithms 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、目的関数が複雑なシミュレーションや実験の結果である場合、評価はコストがかかる可能性がある。
本稿では,対象関数を可逆サンプル上で分割的にアフィンサロゲートすることにより,中規模(符号化後約100変数,制約20変数)までの線形制約付き混合変数問題を解くための新しいサーロゲート型大域最適化アルゴリズムを提案する。
本稿では,2種類の探索関数を導入し,混合整数線形計画解法を用いて実現可能な領域を効率的に探索する。
また,このアルゴリズムの選好ベースのバージョンも提供し,サンプル間のペアワイズ比較のみを取得可能とし,対象関数の最小化は未定のままである。
2つのアルゴリズムは、制約のない混合変数ベンチマーク問題でテストされる。
その結果,提案アルゴリズムは,少数の取得において,既存の手法よりも優れた,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。