論文の概要: Improving Performance Insensitivity of Large-scale Multiobjective
Optimization via Monte Carlo Tree Search
- arxiv url: http://arxiv.org/abs/2304.04071v2
- Date: Fri, 14 Apr 2023 04:46:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 15:59:35.730184
- Title: Improving Performance Insensitivity of Large-scale Multiobjective
Optimization via Monte Carlo Tree Search
- Title（参考訳）: モンテカルロ木探索による大規模多目的最適化の性能低下
- Authors: Haokai Hong, Min Jiang, and Gary G. Yen
- Abstract要約: モンテカルロ木探索に基づく大規模多目的最適化問題の解法を提案する。
提案手法は,モンテカルロ木上に新たなノードを構築するための決定変数をサンプリングし,最適化と評価を行う。
大規模な決定変数による性能感度を低下させるために、さらなる探索のための評価が良いノードを選択する。
- 参考スコア（独自算出の注目度）: 7.34812867861951
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The large-scale multiobjective optimization problem (LSMOP) is characterized
by simultaneously optimizing multiple conflicting objectives and involving
hundreds of decision variables. Many real-world applications in engineering
fields can be modeled as LSMOPs; simultaneously, engineering applications
require insensitivity in performance. This requirement usually means that the
results from the algorithm runs should not only be good for every run in terms
of performance but also that the performance of multiple runs should not
fluctuate too much, i.e., the algorithm shows good insensitivity. Considering
that substantial computational resources are requested for each run, it is
essential to improve upon the performance of the large-scale multiobjective
optimization algorithm, as well as the insensitivity of the algorithm. However,
existing large-scale multiobjective optimization algorithms solely focus on
improving the performance of the algorithms, leaving the insensitivity
characteristics unattended. In this work, we propose an evolutionary algorithm
for solving LSMOPs based on Monte Carlo tree search, the so-called LMMOCTS,
which aims to improve the performance and insensitivity for large-scale
multiobjective optimization problems. The proposed method samples the decision
variables to construct new nodes on the Monte Carlo tree for optimization and
evaluation. It selects nodes with good evaluation for further search to reduce
the performance sensitivity caused by large-scale decision variables. We
compare the proposed algorithm with several state-of-the-art designs on
different benchmark functions. We also propose two metrics to measure the
sensitivity of the algorithm. The experimental results confirm the
effectiveness and performance insensitivity of the proposed design for solving
large-scale multiobjective optimization problems.
- Abstract（参考訳）: 大規模多目的最適化問題(LSMOP)は、複数の競合する目的を同時に最適化し、数百の決定変数を含むことを特徴とする。
工学分野での多くの実世界のアプリケーションはlsmopsとしてモデル化することができる。
この要件は、通常、アルゴリズムの実行結果がパフォーマンスの点で全ての実行に良いだけでなく、複数の実行のパフォーマンスがあまり変動しないこと、すなわちアルゴリズムの感度が良くないことを意味する。
実行毎にかなりの計算資源が要求されると考えると、大規模多目的最適化アルゴリズムの性能とアルゴリズムの不感性を改善することが不可欠である。
しかし、既存の大規模多目的最適化アルゴリズムはアルゴリズムの性能向上にのみ焦点をあてており、不感度特性は無視されている。
本研究では,大規模多目的最適化問題に対する性能と非感受性を改善することを目的とした,いわゆるlmmoctsであるモンテカルロ木探索に基づくlsmopsの解法を提案する。
提案手法は,モンテカルロ木上に新しいノードを構築するための決定変数をサンプリングし,最適化と評価を行う。
評価のよいノードを選択して、大規模な決定変数によるパフォーマンスの感度を低下させる。
提案アルゴリズムと,異なるベンチマーク関数の最先端設計との比較を行った。
また,アルゴリズムの感度を測定するための2つの指標を提案する。
実験の結果,大規模多目的最適化問題に対する提案手法の有効性と性能の非感受性が確認された。
関連論文リスト
- Iterative or Innovative? A Problem-Oriented Perspective for Code Optimization [81.88668100203913]
大規模言語モデル(LLM)は、幅広いプログラミングタスクを解く上で強力な能力を示している。
本稿では,パフォーマンス向上に着目したコード最適化について検討する。
論文 参考訳（メタデータ） (2024-06-17T16:10:10Z) - Equitable and Fair Performance Evaluation of Whale Optimization
Algorithm [4.0814527055582746]
すべてのアルゴリズムは、徹底的に、幾分、知的に評価されることが不可欠である。
最適化アルゴリズムの有効性を等しく、公平に評価することは、様々な理由から簡単なプロセスではない。
論文 参考訳（メタデータ） (2023-09-04T06:32:02Z) - 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) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。
基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。
我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文 参考訳（メタデータ） (2022-09-27T17:51:31Z) - Balancing Exploration and Exploitation for Solving Large-scale
Multiobjective Optimization via Attention Mechanism [18.852491892952514]
注意機構に基づく大規模多目的最適化アルゴリズム(LMOAM)を提案する。
注意機構は、各決定変数に固有の重みを割り当て、LMOAMは、この重みを使って、決定変数レベルからの探索とエクスプロイトのバランスを取る。
論文 参考訳（メタデータ） (2022-05-20T09:45:49Z) - 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) - Solving Large-Scale Multi-Objective Optimization via Probabilistic
Prediction Model [10.916384208006157]
効率的なLSMOPアルゴリズムは、巨大な検索空間から局所最適解を逃れる能力を持つべきである。
人口の多様性を維持することは、探索効率を向上させる効果的な方法の1つである。
LSMOP に取り組むために,トレンド予測モデルと LT-PPM と呼ばれる生成フィルタ戦略に基づく確率的予測モデルを提案する。
論文 参考訳（メタデータ） (2021-07-16T09:43:35Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-01-07T08:00:02Z) - Generalized and Scalable Optimal Sparse Decision Trees [56.35541305670828]
様々な目的に対して最適な決定木を生成する手法を提案する。
また,連続変数が存在する場合に最適な結果が得られるスケーラブルなアルゴリズムも導入する。
論文 参考訳（メタデータ） (2020-06-15T19:00:11Z) - Multi-objective beetle antennae search algorithm [4.847470451539327]
提案する多目的ビートルアンテナ探索アルゴリズムは,4つのよく選択されたベンチマーク関数を用いて検証する。
その結果,提案した多目的ビートルアンテナ探索アルゴリズムは計算効率が良く,精度も良好であることが示唆された。
論文 参考訳（メタデータ） (2020-02-24T06:34:32Z)
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。