論文の概要: AutoOptLib: A Library of Automatically Designing Metaheuristic
Optimization Algorithms in MATLAB
- arxiv url: http://arxiv.org/abs/2303.06536v1
- Date: Sun, 12 Mar 2023 01:45:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 18:21:58.752998
- Title: AutoOptLib: A Library of Automatically Designing Metaheuristic
Optimization Algorithms in MATLAB
- Title（参考訳）: AutoOptLib:MATLABにおけるメタヒューリスティック最適化アルゴリズムの自動設計ライブラリ
- Authors: Qi Zhao, Bai Yan, Taiwei Hu, Xianglong Chen, Yuhui Shi
- Abstract要約: 我々はメタヒューリスティックアルゴリズムを自動設計するライブラリAutoOptLibを開発した。
本稿ではまず,AutoOptLibライブラリの重要な機能とアーキテクチャを紹介する。
次に、コマンドまたはGUIでライブラリの使い方を説明します。
- 参考スコア（独自算出の注目度）: 15.676240284548681
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Metaheuristic algorithms are widely-recognized solvers for challenging
optimization problems with multi-modality, discretization, large-scale,
multi-objectivity, etc. Automatically designing metaheuristic algorithms
leverages today's increasing computing resources to conceive, build up, and
verify the design choices of algorithms. It requires much less expertise, labor
resources, and time cost than the traditional manual design. Furthermore, by
fully exploring the design choices with computing power, automated design is
potential to reach or even surpass human-level design, subsequently gaining
enhanced performance compared with human problem-solving. These significant
advantages have attracted increasing interest and development in the automated
design techniques.
Open source software is indispensable in response to the increasing interest
and development of the techniques. To this end, we have developed a MATLAB
library, AutoOptLib, to automatically design metaheuristic algorithms.
AutoOptLib, for the first time, provides throughout support to the whole design
process, including: 1) plenty of algorithmic components for continuous,
discrete, and permutation problems, 2) flexible algorithm representation for
evolving diverse algorithm structures, 3) various design objectives and design
techniques for different experimentation and application scenarios, and 4)
useful experimental tools and graphic user interface (GUI) for practicability
and accessibility. In this paper, we first introduce the key features and
architecture of the AutoOptLib library. We then illustrate how to use the
library by either command or GUI. We further describe additional uses and
experimental tools, including parameter importance analysis and benchmark
comparison. Finally, we present academic and piratical applications of
AutoOptLib, which verifies its efficiency and practicability.
- Abstract（参考訳）: メタヒューリスティックアルゴリズムは、マルチモダリティ、離散化、大規模、多目的性などの最適化問題に挑戦するための広く認識された解法である。
メタヒューリスティックアルゴリズムの自動設計は、アルゴリズムの設計選択を考案、構築、検証するために、今日の増大するコンピューティングリソースを活用する。
従来の手作業による設計よりもはるかに少ない専門知識、労働資源、時間コストを必要とする。
さらに、コンピュータパワーで設計選択を完全に探究することで、自動設計は人間レベルの設計に到達し、さらには人間の問題解決と比べて性能が向上する可能性がある。
これらの大きな利点は、自動設計技術への関心と発展を惹きつけた。
オープンソースソフトウェアは、技術への関心の高まりと開発に対応して不可欠である。
そこで我々は,メタヒューリスティックアルゴリズムを自動設計するMATLABライブラリAutoOptLibを開発した。
autooptlibは、初めて、以下のものを含む設計プロセス全体をサポートする。
1)連続的,離散的,置換的問題に対するアルゴリズム的コンポーネントが多数存在する。
2)多様なアルゴリズム構造を進化させるフレキシブルアルゴリズム表現
3)異なる実験・応用シナリオのための様々な設計目標と設計手法、
4)実用性とアクセシビリティのための有用な実験ツールとグラフィックユーザインタフェース(gui)。
本稿ではまず,AutoOptLibライブラリの重要な機能とアーキテクチャを紹介する。
次に、コマンドまたはGUIでライブラリの使い方を説明します。
さらにパラメータ重要度分析やベンチマーク比較など、追加の用途や実験ツールについても解説する。
最後に,AutoOptLibの効率と実用性を検証する学術的・海賊的応用について述べる。
関連論文リスト
- Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。
そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。
Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
論文 参考訳（メタデータ） (2024-08-29T20:22:22Z) - Trace is the Next AutoDiff: Generative Optimization with Rich Feedback, Execution Traces, and LLMs [19.89948665187903]
我々は、コーディングアシスタント、ロボット、コピロなどのAIシステムの設計と更新を自動化することによって動機付けられた最適化問題のクラスについて研究する。
PyTorchのような構文を用いて、ワークフロー最適化問題をOPTOインスタンスに効率的に変換するPython、Traceを提供する。
論文 参考訳（メタデータ） (2024-06-23T21:05:31Z) - Automated Metaheuristic Algorithm Design with Autoregressive Learning [25.967262411437403]
現在の自動化手法は、固定された構造内でアルゴリズムを設計し、ゼロから操作する。
本稿ではメタヒューリスティックアルゴリズムの自動設計のための自己回帰学習に基づくデザイナを提案する。
論文 参考訳（メタデータ） (2024-05-06T12:36:17Z) - DiffVL: Scaling Up Soft Body Manipulation using Vision-Language Driven
Differentiable Physics [69.6158232150048]
DiffVLは、非専門家がソフトボディ操作タスクをコミュニケーションできるようにする手法である。
大規模言語モデルを用いてタスク記述を機械解釈可能な最適化対象に翻訳する。
論文 参考訳（メタデータ） (2023-12-11T14:29:25Z) - Multi-Robot Coordination and Layout Design for Automated Warehousing [55.150593161240444]
我々は、最先端のMAPFアルゴリズムであっても、人間設計のレイアウトは、多数のロボットを持つ倉庫の混雑を招きかねないことを示す。
倉庫のレイアウトを最適化するために,既存のシナリオ自動生成手法を拡張した。
その結果,(1)交通渋滞の低減とスループットの向上,(2)ロボットの数を2倍にすることで自動倉庫のスケーラビリティの向上,(3)ユーザが特定した多様性対策でレイアウトを生成できることが示唆された。
論文 参考訳（メタデータ） (2023-05-10T20:00:06Z) - AutoDOViz: Human-Centered Automation for Decision Optimization [20.114066563594125]
本稿では、強化学習(RL)を用いた自動意思決定最適化(AutoDO)のための対話型ユーザインタフェースAutoDOVizを提案する。
我々は,DO実践者とビジネスコンサルタントとの半構造化専門家インタビューから得られた知見を報告する。
論文 参考訳（メタデータ） (2023-02-19T23:06:19Z) - VeLO: Training Versatile Learned Optimizers by Scaling Up [67.90237498659397]
私たちは、ディープラーニングの成功の背後にある同じスケーリングアプローチを活用して、汎用性を学びます。
私たちは、パラメータの更新を取り込み出力する小さなニューラルネットワークであるディープラーニングのためのインジェクションをトレーニングします。
学習したメタトレーニングコード、関連するトレインテストデータ、およびvelo-code.ioのベースラインを備えた広範なベンチマークスイートをオープンソースとして公開しています。
論文 参考訳（メタデータ） (2022-11-17T18:39:07Z) - Investigating Positive and Negative Qualities of Human-in-the-Loop
Optimization for Designing Interaction Techniques [55.492211642128446]
設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。
モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。
一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
論文 参考訳（メタデータ） (2022-04-15T20:40:43Z) - AutoOpt: A General Framework for Automatically Designing Metaheuristic
Optimization Algorithms with Diverse Structures [15.140309031326076]
本稿では,多様な構造を持つメタヒューリスティックアルゴリズムを自動設計するための汎用フレームワークAutoOptを提案する。
メタヒューリスティックファミリーをできるだけ広くカバーするアルゴリズムの一般的なプロトタイプ。
提案したプロトタイプに適合する有向非巡回グラフアルゴリズムの表現。
操作対象のグラフの代替コンパクト形式を提供するグラフ表現埋め込み方法。
論文 参考訳（メタデータ） (2022-04-03T05:31:56Z) - Design-Bench: Benchmarks for Data-Driven Offline Model-Based
Optimization [82.02008764719896]
ブラックボックスモデルに基づく最適化問題は、タンパク質、DNA配列、航空機、ロボットの設計など、幅広い領域で広く使われている。
本稿では,統合評価プロトコルと最近の手法の参照実装を備えたオフラインMBOのためのベンチマークであるDesign-Benchを提案する。
私たちのベンチマークには、生物学、材料科学、ロボット工学における現実世界の最適化問題から派生した、多種多様な現実的なタスクが含まれています。
論文 参考訳（メタデータ） (2022-02-17T05:33:27Z) - AutoOED: Automated Optimal Experiment Design Platform [28.343314031971158]
AutoOED は自動機械学習を搭載した Optimal Experiment Design プラットフォームです。
最先端性能を持つ多目的ベイズ最適化アルゴリズムを複数実装する。
AutoOEDはオープンソースでPythonで書かれている。
論文 参考訳（メタデータ） (2021-04-13T06:20:54Z)
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。