論文の概要: Multiple Hands Make Light Work: Enhancing Quality and Diversity using
MAP-Elites with Multiple Parallel Evolution Strategies
- arxiv url: http://arxiv.org/abs/2303.06137v1
- Date: Fri, 10 Mar 2023 18:55:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 13:58:27.853782
- Title: Multiple Hands Make Light Work: Enhancing Quality and Diversity using
MAP-Elites with Multiple Parallel Evolution Strategies
- Title(参考訳): マルチハンドライトワーク:複数並列進化戦略を用いたMAPエリートによる品質と多様性の向上
- Authors: Manon Flageat, Bryan Lim, Antoine Cully
- Abstract要約: MEMESは、高速並列評価のために設計された進化戦略(ES)に基づく新しいQDアルゴリズムである。
我々は,MEMESが,世代別に比較した場合,既存の勾配ベースおよび客観的なQDアルゴリズムよりも優れていることを示す。
- 参考スコア(独自算出の注目度): 4.788163807490196
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the development of hardware accelerators and their corresponding tools,
evaluations have become more affordable through fast and massively parallel
evaluations in some applications. This advancement has drastically sped up the
runtime of evolution-inspired algorithms such as Quality-Diversity
optimization, creating tremendous potential for algorithmic innovation through
scale. In this work, we propose MAP-Elites-Multi-ES (MEMES), a novel QD
algorithm based on Evolution Strategies (ES) designed for fast parallel
evaluations. ME-Multi-ES builds on top of the existing MAP-Elites-ES algorithm,
scaling it by maintaining multiple independent ES threads with massive
parallelization. We also introduce a new dynamic reset procedure for the
lifespan of the independent ES to autonomously maximize the improvement of the
QD population. We show experimentally that MEMES outperforms existing
gradient-based and objective-agnostic QD algorithms when compared in terms of
generations. We perform this comparison on both black-box optimization and
QD-Reinforcement Learning tasks, demonstrating the benefit of our approach
across different problems and domains. Finally, we also find that our approach
intrinsically enables optimization of fitness locally around a niche, a
phenomenon not observed in other QD algorithms.
- Abstract(参考訳): ハードウェアアクセラレータとその対応するツールの開発により、いくつかのアプリケーションで高速かつ大規模に並列な評価を行うことで、評価はより安価になる。
この進歩は、品質-多様性の最適化のような進化に触発されたアルゴリズムのランタイムを飛躍的に加速させ、スケールによるアルゴリズム的イノベーションの巨大な可能性を生み出した。
本研究では,高速並列評価のための進化戦略(ES)に基づく新しいQDアルゴリズムであるMAP-Elites-Multi-ES(MEMES)を提案する。
ME-Multi-ESは、既存のMAP-Elites-ESアルゴリズムの上に構築され、大規模な並列化を伴う複数の独立したESスレッドを維持することでスケールする。
また,独立系esの寿命を動的にリセットし,qd個体群の改善を自律的に最大化する手法を提案する。
我々は,MEMESが,世代別に比較した場合,既存の勾配ベースおよび客観的なQDアルゴリズムよりも優れていることを示す。
我々は、ブラックボックス最適化とqd強化学習タスクの両方でこの比較を行い、様々な問題やドメインにまたがるアプローチの利点を示す。
最後に,本手法は,他のQDアルゴリズムでは観測できない現象であるニッチ周辺でのフィットネスの最適化を可能にする。
関連論文リスト
- Improving the Data Efficiency of Multi-Objective Quality-Diversity
through Gradient Assistance and Crowding Exploration [1.898523691501358]
MOME-PGXは多目的MAP-Elitesを拡張した新しい品質多様性(QD)アルゴリズムである。
MOME-PGXは、勾配に基づく最適化を使用して、より高性能なソリューションを効率的に推進する。また、探索戦略を改善するために、群集ベースのメカニズムも導入している。
MOME-PGXはMOMEの4.3倍から42倍のデータ効率が高く,挑戦環境におけるMOME,NSGA-II,SPEA2の性能を2倍に向上させることを示した。
論文 参考訳(メタデータ) (2023-02-24T14:48:28Z) - Massively Parallel Genetic Optimization through Asynchronous Propagation
of Populations [50.591267188664666]
Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。
提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。
Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
論文 参考訳(メタデータ) (2023-01-20T18:17:34Z) - A survey on multi-objective hyperparameter optimization algorithms for
Machine Learning [62.997667081978825]
本稿では,多目的HPOアルゴリズムに関する2014年から2020年にかけての文献を体系的に調査する。
メタヒューリスティック・ベース・アルゴリズムとメタモデル・ベース・アルゴリズム,および両者を混合したアプローチを区別する。
また,多目的HPO法と今後の研究方向性を比較するための品質指標についても論じる。
論文 参考訳(メタデータ) (2021-11-23T10:22:30Z) - ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。
既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。
本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
論文 参考訳(メタデータ) (2021-10-13T19:36:50Z) - Phase Retrieval using Expectation Consistent Signal Recovery Algorithm
based on Hypernetwork [73.94896986868146]
位相検索は現代の計算イメージングシステムにおいて重要な要素である。
近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。
我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
論文 参考訳(メタデータ) (2021-01-12T08:36:23Z) - An Efficient Asynchronous Method for Integrating Evolutionary and
Gradient-based Policy Search [76.73477450555046]
本稿では、ESの並列効率を最大化し、ポリシー勾配法と統合する非同期進化戦略強化学習(AES-RL)を提案する。
具体的には、(1)ESとDRLを非同期にマージする新しいフレームワークを提案し、2)非同期、ES、DRLのすべての利点を利用できる様々な非同期更新方法を提案する。
論文 参考訳(メタデータ) (2020-12-10T02:30:48Z) - Batch Sequential Adaptive Designs for Global Optimization [5.825138898746968]
効率的なグローバル最適化(EGO)は、高価なブラックボックス最適化問題に対する最も一般的なSAD手法の1つである。
これらの複数点のEGO法では、重い計算とポイントのクラスタリングが障害となる。
本研究では, 改良されたサンプリング/インポータンス・リサンプリング(SIR)法を用いて, 「加速EGO」と呼ばれる新しいバッチSAD法を転送する。
提案したSADの効率は,次元が2~12の9つの古典的テスト関数によって検証される。
論文 参考訳(メタデータ) (2020-10-21T01:11:35Z) - Multi-Emitter MAP-Elites: Improving quality, diversity and convergence
speed with heterogeneous sets of emitters [1.827510863075184]
CMA-MEを直接拡張し、その品質、多様性、データ効率を改善するアルゴリズムであるMulti-Emitter MAP-Elites(ME-MAP-Elites)を導入する。
バンディットアルゴリズムは、現在の状況に応じて最適なエミッタの選択を動的に見つける。
我々は,標準的な最適化問題(100次元)からロボット工学における複雑な移動タスクまで,6つのタスクにおけるME-MAP-Elitesの性能を評価する。
論文 参考訳(メタデータ) (2020-07-10T12:45:02Z) - 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) - Differentiable Expected Hypervolume Improvement for Parallel
Multi-Objective Bayesian Optimization [11.956059322407437]
我々は、期待されるハイパー改善(EHVI)を用いた多目的BOのプログラミングモデルとハードウェアアクセラレーションの最近の進歩を活用する。
我々は、EHVIを並列な制約付き評価設定に拡張する取得関数であるq-Expected Hyper Improvement (qEHVI) の新規な定式化を導出する。
実験により,qEHVIは実運用シナリオの多くで計算可能であり,壁面時間のごく一部で最先端の多目的BOアルゴリズムより優れていることが示された。
論文 参考訳(メタデータ) (2020-06-09T06:57:47Z) - Multifactorial Cellular Genetic Algorithm (MFCGA): Algorithmic Design,
Performance Comparison and Genetic Transferability Analysis [17.120962133525225]
多目的最適化は先進的な研究領域であり、近年顕著な研究の勢いを増している。
本稿では,多因子最適化シナリオのための新しいアルゴリズムスキームを提案する。
提案したMFCGAはセルオートマタの概念に基づいて,問題間の知識交換機構を実装している。
論文 参考訳(メタデータ) (2020-03-24T11:03:55Z)
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。