論文の概要: Multi objective Fitness Dependent Optimizer Algorithm
- arxiv url: http://arxiv.org/abs/2302.05519v1
- Date: Thu, 26 Jan 2023 06:33:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 14:19:21.567636
- Title: Multi objective Fitness Dependent Optimizer Algorithm
- Title（参考訳）: 多目的充足依存性最適化アルゴリズム
- Authors: Jaza M. Abdullah, Tarik A. Rashid, Bestan B. Maaroof, Seyedali
Mirjalili
- Abstract要約: 本稿では、最近導入されたフィットネス依存型(FDO)の多目的変種を提案する。
このアルゴリズムはMOFDO(Multi objective Fitness Dependent)と呼ばれ、FDOのように5種類の知識(situational, normative, topographical, domain, historical knowledge)を備えている。
提案アルゴリズムは,多種多様な分散可能な実現可能解を提供することで,意思決定者がより適用可能な快適な選択をすることができる。
- 参考スコア（独自算出の注目度）: 19.535715565093764
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper proposes the multi objective variant of the recently introduced
fitness dependent optimizer (FDO). The algorithm is called a Multi objective
Fitness Dependent Optimizer (MOFDO) and is equipped with all five types of
knowledge (situational, normative, topographical, domain, and historical
knowledge) as in FDO. MOFDO is tested on two standard benchmarks for the
performance-proof purpose; classical ZDT test functions, which is a widespread
test suite that takes its name from its authors Zitzler, Deb, and Thiele, and
on IEEE Congress of Evolutionary Computation benchmark (CEC 2019) multi modal
multi objective functions. MOFDO results are compared to the latest variant of
multi objective particle swarm optimization (MOPSO), non-dominated sorting
genetic algorithm third improvement (NSGA-III), and multi objective dragonfly
algorithm (MODA). The comparative study shows the superiority of MOFDO in most
cases and comparative results in other cases. Moreover, MOFDO is used for
optimizing real-world engineering problems (e.g., welded beam design problems).
It is observed that the proposed algorithm successfully provides a wide variety
of well-distributed feasible solutions, which enable the decision-makers to
have more applicable-comfort choices to consider.
- Abstract（参考訳）: 本稿では、最近導入されたフィットネス依存オプティマイザ(FDO)の多目的変種を提案する。
このアルゴリズムはMulti objective Fitness Dependent Optimizer (MOFDO)と呼ばれ、FDOのように5種類の知識(situational, normative, topographical, domain, historical knowledge)を備えている。
MOFDOは、2つの標準ベンチマークでテストされている。古典的なZDTテスト関数は、作者のZitzler、Deb、Thieleから名付けられた広範なテストスイートであり、IEEE Congress of Evolutionary Computation benchmark (CEC 2019)マルチモーダル多目的関数である。
MOFDOの結果は、最新の多目的粒子群最適化(MOPSO)、非支配的ソート遺伝的アルゴリズム第三改良(NSGA-III)、多目的トンボアルゴリズム(MODA)と比較される。
比較研究は,mofdoの優位性と他の症例との比較結果を示している。
さらに、MOFDOは実世界の工学的問題を最適化するために使われる(溶接ビーム設計問題など)。
提案アルゴリズムは,多種多様な分散可能な実現可能解を提供することで,意思決定者がより適用可能な快適な選択をすることができる。
関連論文リスト
- LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。
このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
論文 参考訳（メタデータ） (2024-10-03T18:12:29Z) - Modified-Improved Fitness Dependent Optimizer for Complex and Engineering Problems [5.078139820108554]
FDO(Fitness dependent)は、新しいスウォーム知能アルゴリズムの1つである。
本研究は、M-IFDOと呼ばれるIFDOの修正版を提案する。
M-IFDOは5つの最先端アルゴリズムと比較される。
論文 参考訳（メタデータ） (2024-06-27T07:47:23Z) - Decoding-Time Language Model Alignment with Multiple Objectives [116.42095026960598]
既存の手法は主に、1つの報酬関数に対してLMを最適化することに集中し、それらの適応性は様々な目的に制限される。
本稿では,予測の線形結合から次のトークンを出力する復号時間アルゴリズムである$textbfmulti-objective decoding (MOD)$を提案する。
提案手法は, 自然条件下であっても, 既存のアプローチが準最適であることを示すとともに, 提案手法の最適性を保証する。
論文 参考訳（メタデータ） (2024-06-27T02:46:30Z) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳（メタデータ） (2023-05-31T12:07:50Z) - 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 GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。
薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。
GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文 参考訳（メタデータ） (2022-10-23T16:15:36Z) - Enhanced Opposition Differential Evolution Algorithm for Multimodal
Optimization [0.2538209532048866]
現実の問題は、本質的には複数の最適値からなるマルチモーダルである。
古典的な勾配に基づく手法は、目的関数が不連続あるいは微分不可能な最適化問題に対して失敗する。
我々は,MMOPを解くために,拡張オポポジション微分進化(EODE)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-23T16:18:27Z) - A Simple Evolutionary Algorithm for Multi-modal Multi-objective
Optimization [0.0]
マルチモーダル・多目的最適化問題(MMOP)を解くための定常進化アルゴリズムを提案する。
本報告では,1000関数評価の低計算予算を用いて,様々なテストスイートから得られた21個のMMOPの性能について報告する。
論文 参考訳（メタデータ） (2022-01-18T03:31:11Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - Decomposition in Decision and Objective Space for Multi-Modal
Multi-Objective Optimization [15.681236469530397]
多モード多目的最適化問題(MMMOP)はパレート最適集合内に複数の部分集合を持つ。
一般的な多目的進化的アルゴリズムは、複数の解部分集合を探索するために純粋に設計されていないが、MMMOP向けに設計されたアルゴリズムは、目的空間における劣化した性能を示す。
これは、MMMOPに対処するためのより良いアルゴリズムの設計を動機付けている。
論文 参考訳（メタデータ） (2020-06-04T03:18:47Z) - Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization [0.0]
本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。
MoHAEAは、MOEA/D、pa$lambda$-MOEA/D、MOEA/D-AWA、NSGA-IIの4つの状態と比較される。
論文 参考訳（メタデータ） (2020-04-29T02:16:49Z)
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。