論文の概要: AutoOptLib: Tailoring Metaheuristic Optimizers via Automated Algorithm
Design
- arxiv url: http://arxiv.org/abs/2303.06536v2
- Date: Tue, 14 Nov 2023 09:18:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 19:15:32.522019
- Title: AutoOptLib: Tailoring Metaheuristic Optimizers via Automated Algorithm
Design
- Title（参考訳）: AutoOptLib: 自動アルゴリズム設計によるメタヒューリスティック最適化
- Authors: Qi Zhao, Bai Yan, Taiwei Hu, Xianglong Chen, Qiqi Duan, Jian Yang,
Yuhui Shi
- Abstract要約: 本稿ではメタヒューリスティックスの自動設計のための最初のプラットフォームであるAutoOptLibを提案する。
AutoOptLibは、コンピューティングリソースによる設計選択を完全に探求することで、人間の経験を超越する可能性を秘めている。
- 参考スコア（独自算出の注目度）: 23.778407064391658
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Metaheuristics are prominent gradient-free optimizers for solving hard
problems that do not meet the rigorous mathematical assumptions of analytical
solvers. The canonical manual optimizer design could be laborious, untraceable
and error-prone, let alone human experts are not always available. This arises
increasing interest and demand in automating the optimizer design process. In
response, this paper proposes AutoOptLib, the first platform for accessible
automated design of metaheuristic optimizers. AutoOptLib leverages computing
resources to conceive, build up, and verify the design choices of the
optimizers. It requires much less labor resources and expertise than manual
design, democratizing satisfactory metaheuristic optimizers to a much broader
range of researchers and practitioners. Furthermore, by fully exploring the
design choices with computing resources, AutoOptLib has the potential to
surpass human experience, subsequently gaining enhanced performance compared
with human problem-solving. To realize the automated design, AutoOptLib
provides 1) a rich library of metaheuristic components for continuous,
discrete, and permutation problems; 2) a flexible algorithm representation for
evolving diverse algorithm structures; 3) different design objectives and
techniques for different optimization scenarios; and 4) a graphic user
interface for accessibility and practicability. AutoOptLib is fully written in
Matlab/Octave; its source code and documentation are available at
https://github.com/qz89/AutoOpt and https://AutoOpt.readthedocs.io/,
respectively.
- Abstract（参考訳）: メタヒューリスティックス(Metaheuristics)は、解析解法の厳密な数学的仮定を満たさない難解問題を解くための顕著な勾配のない最適化法である。
標準的な手動オプティマイザ設計は、人間の専門家が常に利用できるとは限らないため、手間がかかり、追跡不能でエラーを起こしやすい。
これはオプティマイザ設計プロセスの自動化に対する関心と需要の増加をもたらします。
そこで本稿では,メタヒューリスティックオプティマイザを自動設計する最初のプラットフォームであるAutoOptLibを提案する。
AutoOptLibはコンピューティングリソースを活用して、オプティマイザの設計選択を理解し、構築し、検証する。
手動設計よりも少ない労力と専門知識を必要とし、満足のいくメタヒューリスティック・オプティマイザをより幅広い研究者や実践者に民主化する。
さらに、コンピュータリソースによる設計選択を完全に探求することで、AutoOptLibは人間の経験を超越し、人間の問題解決に比べてパフォーマンスが向上する可能性がある。
自動設計を実現するためにAutoOptLibは
1) 連続的,離散的,置換問題のメタヒューリスティックな構成要素の豊富なライブラリ。
2) 多様なアルゴリズム構造を進化させる柔軟なアルゴリズム表現
3) 異なる最適化シナリオのための異なる設計目標と技術
4)アクセシビリティと実用性のためのグラフィックユーザインタフェース。
AutoOptLibはMatlab/Octaveで完全に書かれており、ソースコードとドキュメントはhttps://github.com/qz89/AutoOptとhttps://AutoOpt.readthedocs.io/で公開されている。
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。