論文の概要: Local Optima Correlation Assisted Adaptive Operator Selection
- arxiv url: http://arxiv.org/abs/2305.02805v1
- Date: Wed, 3 May 2023 13:25:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-05 15:33:52.813907
- Title: Local Optima Correlation Assisted Adaptive Operator Selection
- Title（参考訳）: 適応演算子選択による局所最適相関
- Authors: Jiyuan Pei, Hao Tong, Jialin Liu, Yi Mei, Xin Yao
- Abstract要約: 本稿では, 演算子間の関係を, 局所最適値間の相関関係で実証的に解析することを提案する。
新たに提案した局所最適相関法に基づいて,探索過程において演算子の中から適応的に選択する手法を提案する。
- 参考スコア（独自算出の注目度）: 4.983846689106013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For solving combinatorial optimisation problems with metaheuristics,
different search operators are applied for sampling new solutions in the
neighbourhood of a given solution. It is important to understand the
relationship between operators for various purposes, e.g., adaptively deciding
when to use which operator to find optimal solutions efficiently. However, it
is difficult to theoretically analyse this relationship, especially in the
complex solution space of combinatorial optimisation problems. In this paper,
we propose to empirically analyse the relationship between operators in terms
of the correlation between their local optima and develop a measure for
quantifying their relationship. The comprehensive analyses on a wide range of
capacitated vehicle routing problem benchmark instances show that there is a
consistent pattern in the correlation between commonly used operators. Based on
this newly proposed local optima correlation metric, we propose a novel
approach for adaptively selecting among the operators during the search
process. The core intention is to improve search efficiency by preventing
wasting computational resources on exploring neighbourhoods where the local
optima have already been reached. Experiments on randomly generated instances
and commonly used benchmark datasets are conducted. Results show that the
proposed approach outperforms commonly used adaptive operator selection
methods.
- Abstract（参考訳）: メタヒューリスティックスによる組合せ最適化問題を解くために、与えられた解の近傍で新しい解をサンプリングするために異なる探索演算子を適用する。
演算子間の関係を理解することは重要であり、例えば、最適な解を見つけるためにどの演算子を使うべきかを適応的に決定する。
しかし、特に組合せ最適化問題の複素解空間において、この関係を理論的に解析することは困難である。
本稿では,演算子間の関係を局所最適の相関関係の観点から実証分析し,その関係を定量化する尺度を開発することを提案する。
広範囲のキャパシタ付き車両ルーティング問題に関する総合的な解析結果から,一般的な運用者間の相関には一貫性のあるパターンが得られた。
新たに提案する局所オプティマ相関メトリックに基づいて,探索過程において演算子を適応的に選択する新しい手法を提案する。
主な目的は,局所視能が到達した周辺地域を探索する際の計算資源の浪費を防止し,検索効率を向上させることにある。
ランダムに生成されたインスタンスと一般的に使用されるベンチマークデータセットの実験を行う。
その結果,提案手法は適応演算子選択法よりも優れていることがわかった。
関連論文リスト
- Feature-Based Interpretable Surrogates for Optimization [0.8437187555622164]
本研究では、より一般的な最適化ルールを用いて解釈可能性を高める方法について検討する。
提案したルールは、具体的な解ではなく、共通の特徴を特徴とする解の集合にマップされる。
特に,提案手法が提案するソリューションの品質向上を,既存の解釈可能な最適化サロゲートと比較して実証する。
論文 参考訳（メタデータ） (2024-09-03T13:12:49Z) - Modeling Local Search Metaheuristics Using Markov Decision Processes [0.0]
局所探索メタヒューリスティック解析のためのマルコフ決定過程(MDP)に基づく理論的枠組みを提案する。
このフレームワークは、個々のアルゴリズムに収束結果を提供するのに役立つだけでなく、探索-探索トレードオフの明示的な特徴も提供する。
論文 参考訳（メタデータ） (2024-07-29T11:28:30Z) - Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [61.580419063416734]
最近の構造化学習手法のストリームは、様々な最適化問題に対する技術の実践的状態を改善している。
鍵となる考え方は、インスタンスを別々に扱うのではなく、インスタンス上の統計分布を利用することだ。
本稿では,最適化を容易にし,一般化誤差を改善するポリシを摂動することでリスクを円滑にする手法について検討する。
論文 参考訳（メタデータ） (2024-07-24T12:00:30Z) - Distributed Fractional Bayesian Learning for Adaptive Optimization [7.16937736207894]
本稿では,各エージェントが共通パラメータを持つローカルコスト関数にのみアクセス可能な分散適応最適化問題について考察する。
分散最適化問題におけるパラメータの不確実性に対処し、同時に最適解を見つけるための貴重な洞察を提供することを目的としている。
論文 参考訳（メタデータ） (2024-04-17T13:09:33Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - Optimizer Amalgamation [124.33523126363728]
私たちは、Amalgamationという新しい問題の研究を動機付けています。"Teacher"アマルガメーションのプールを、より強力な問題固有のパフォーマンスを持つ単一の"学生"にどのように組み合わせるべきなのでしょうか?
まず、勾配降下による解析のプールをアマルガメートする3つの異なるメカニズムを定義する。
また, プロセスの分散を低減するため, 目標を摂動させることでプロセスの安定化を図る。
論文 参考訳（メタデータ） (2022-03-12T16:07:57Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。
これらの問題に対する新規で簡単な最適化法を開発した。
結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
論文 参考訳（メタデータ） (2021-09-23T17:38:24Z) - USCO-Solver: Solving Undetermined Stochastic Combinatorial Optimization
Problems [9.015720257837575]
入力-解対のサンプルから高品質な最適化解を推定することを目的として,空間間の回帰を考察する。
基礎学習にはPAC-Bayesianフレームワークを用いて学習エラー分析を行う。
我々は,合成データセットと実世界のデータセットの両方において,古典的な問題に対する高い励振実験結果を得た。
論文 参考訳（メタデータ） (2021-07-15T17:59:08Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-06-22T16:07:02Z) - Multi-layer local optima networks for the analysis of advanced local
search-based algorithms [0.6299766708197881]
ローカルオプティマスネットワーク(Local Optima Network, LON)は、特定の近傍演算子と局所探索アルゴリズムに基づいて、特定の最適化問題のフィットネスランドスケープを圧縮するグラフモデルである。
本稿では、多層LONの概念と、フィットネスランドスケープ分析のためのメトリクス抽出を目的としたこれらのモデルを探索するための方法論を提案する。
論文 参考訳（メタデータ） (2020-04-29T03:20:01Z)
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。