論文の概要: A Joint Python/C++ Library for Efficient yet Accessible Black-Box and
Gray-Box Optimization with GOMEA
- arxiv url: http://arxiv.org/abs/2305.06246v1
- Date: Wed, 10 May 2023 15:28:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-11 12:24:32.301440
- Title: A Joint Python/C++ Library for Efficient yet Accessible Black-Box and
Gray-Box Optimization with GOMEA
- Title（参考訳）: GOMEAによる効率的なブラックボックスとグレーボックス最適化のためのPython/C++ライブラリ
- Authors: Anton Bouter and Peter A.N. Bosman
- Abstract要約: GOMEAライブラリを導入し、Python経由でC++で既存のGOMEAコードをアクセスできるようにする。
グレーボックス最適化(GBO)とブラックボックス最適化(BBO)の両方でその性能を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Exploiting knowledge about the structure of a problem can greatly benefit the
efficiency and scalability of an Evolutionary Algorithm (EA). Model-Based EAs
(MBEAs) are capable of doing this by explicitly modeling the problem structure.
The Gene-pool Optimal Mixing Evolutionary Algorithm (GOMEA) is among the
state-of-the-art of MBEAs due to its use of a linkage model and the optimal
mixing variation operator. Especially in a Gray-Box Optimization (GBO) setting
that allows for partial evaluations, i.e., the relatively efficient evaluation
of a partial modification of a solution, GOMEA is known to excel. Such GBO
settings are known to exist in various real-world applications to which GOMEA
has successfully been applied. In this work, we introduce the GOMEA library,
making existing GOMEA code in C++ accessible through Python, which serves as a
centralized way of maintaining and distributing code of GOMEA for various
optimization domains. Moreover, it allows for the straightforward definition of
BBO as well as GBO fitness functions within Python, which are called from the
C++ optimization code for each required (partial) evaluation. We describe the
structure of the GOMEA library and how it can be used, and we show its
performance in both GBO and Black-Box Optimization (BBO).
- Abstract（参考訳）: 問題の構造に関する知識を爆発させることは、進化的アルゴリズム(EA)の効率性とスケーラビリティに大きな恩恵をもたらす。
モデルベースEA(MBEA)は、問題構造を明示的にモデル化することで、これを実現できる。
Gene-pool Optimal Mixing Evolutionary Algorithm (GOMEA)は、リンクモデルと最適混合変動演算子を用いることにより、MBEAの最先端技術の一つである。
特に、部分的な評価が可能なグレーボックス最適化(GBO)では、解の部分的な修正を比較的効率的に評価することが知られている。
このようなGBO設定は、GOMEAがうまく適用された様々な現実世界アプリケーションに存在することが知られている。
本稿では,Python を通じて C++ の既存の GOMEA コードをアクセス可能にする GOMEA ライブラリを紹介する。
さらに、必要な(部分的な)評価毎にc++最適化コードから呼び出されるpython内のgbo適合関数と同様に、bboの簡単な定義が可能になる。
本稿では,GOMEAライブラリの構造と使用方法を説明し,その性能をGBOとBlack-Box Optimization(BBO)の両方で示す。
関連論文リスト
- Analyzing the Runtime of the Gene-pool Optimal Mixing Evolutionary Algorithm (GOMEA) on the Concatenated Trap Function [2.038038953957366]
GOMEAは、リンク学習を利用して問題構造を効率的に活用する進化的アルゴリズムである。
GOMEAは確率の高い$O(m32k)$で解くことができ、$m$はサブファンクションの数、$k$はサブファンクションの長さである。
これは (1+1) 進化的 EA と比較して大きなスピードアップであり、これは$O(ln(m)(mk)k)$期待される評価を必要とする。
論文 参考訳（メタデータ） (2024-07-11T09:37:21Z) - Reinforced In-Context Black-Box Optimization [64.25546325063272]
RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。
RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。
提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
論文 参考訳（メタデータ） (2024-02-27T11:32:14Z) - Poisson Process for Bayesian Optimization [126.51200593377739]
本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。
従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
論文 参考訳（メタデータ） (2024-02-05T02:54:50Z) - PyBADS: Fast and robust black-box optimization in Python [11.4219428942199]
PyBADSは、高速で堅牢なブラックボックス最適化のためのAdaptive Direct Search (BADS)アルゴリズムの実装である。
結果を実行するアルゴリズムを実行するための、使い易いPythonインターフェースとともに提供される。
論文 参考訳（メタデータ） (2023-06-27T15:54:44Z) - NUBO: A Transparent Python Package for Bayesian Optimization [0.0]
NUBOは物理実験やコンピュータシミュレータなどのブラックボックス機能を最適化するためのフレームワークである。
透明性とユーザエクスペリエンスを重視し、ベイズ最適化をあらゆる分野の研究者が利用できるようにする。
NUBOはPythonで書かれているが、シミュレータや実験を最適化するためにPythonの専門知識は必要ない。
論文 参考訳（メタデータ） (2023-05-11T10:34:27Z) - 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) - Bayesian Optimization for Macro Placement [48.55456716632735]
本研究では,系列対上のベイズ最適化(BO)を用いた新しいマクロ配置法を提案する。
BOは確率的代理モデルと獲得関数を利用する機械学習技術である。
固定アウトラインマクロ配置問題に対して, 半周波線長目標を用いたアルゴリズムを実証する。
論文 参考訳（メタデータ） (2022-07-18T06:17:06Z) - GPU-Accelerated Parallel Gene-pool Optimal Mixing in a Gray-Box
Optimization Setting [0.0]
グラフカラー化は、依存に違反することなく、並列に変化を起こすことができる変数の集合をグループ化するのにどのように使用できるかを示す。
接続性に制限のある十分に大きなグラフでは、高品質なソリューションを見つけるのが最大100倍高速であることがわかった。
論文 参考訳（メタデータ） (2022-03-16T15:08:48Z) - Parameterless Gene-pool Optimal Mixing Evolutionary Algorithms [0.0]
我々は、GOMEA(Gene-pool Optimal Mixing Evoutionary Algorithm)の最新バージョンを提示し、大幅な改良を提案する。
GOMEA と CGOMEA はオリジナルの GOMEA と DSMGA-II よりも高い性能を示した。
論文 参考訳（メタデータ） (2021-09-11T11:35:14Z) - Bayesian Algorithm Execution: Estimating Computable Properties of
Black-box Functions Using Mutual Information [78.78486761923855]
多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。
本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。
これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
論文 参考訳（メタデータ） (2021-04-19T17:22:11Z) - TREGO: a Trust-Region Framework for Efficient Global Optimization [63.995130144110156]
信頼領域型EGO法(TREGO)の提案と解析を行う。
TREGOは、信頼領域内の通常のEGOステップとローカルステップを交互に使用する。
我々のアルゴリズムは、最適化ステップのサブセットのみのために、EGOから離脱しながら、強いグローバル収束特性を享受する。
論文 参考訳（メタデータ） (2021-01-18T00:14:40Z)
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。