論文の概要: Fast Pareto Optimization Using Sliding Window Selection
- arxiv url: http://arxiv.org/abs/2305.07178v1
- Date: Thu, 11 May 2023 23:23:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-15 14:27:20.720303
- Title: Fast Pareto Optimization Using Sliding Window Selection
- Title(参考訳): スライディングウィンドウ選択によるパレートの高速化
- Authors: Frank Neumann and Carsten Witt
- Abstract要約: 本稿では,最近導入されたアルゴリズムに対してスライディングウインドウの高速化手法を提案する。
我々は,本手法が実行環境に悪影響を及ぼす重要な要因として個体群サイズを排除していることを証明した。
- 参考スコア(独自算出の注目度): 13.264683014487376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pareto optimization using evolutionary multi-objective algorithms has been
widely applied to solve constrained submodular optimization problems. A crucial
factor determining the runtime of the used evolutionary algorithms to obtain
good approximations is the population size of the algorithms which grows with
the number of trade-offs that the algorithms encounter. In this paper, we
introduce a sliding window speed up technique for recently introduced
algorithms. We prove that our technique eliminates the population size as a
crucial factor negatively impacting the runtime and achieves the same
theoretical performance guarantees as previous approaches within less
computation time. Our experimental investigations for the classical maximum
coverage problem confirms that our sliding window technique clearly leads to
better results for a wide range of instances and constraint settings.
- Abstract(参考訳): 進化的多目的アルゴリズムを用いたパレート最適化は制約付き部分モジュラ最適化問題に広く応用されている。
適切な近似を得るために使用される進化アルゴリズムのランタイムを決定する重要な要因は、アルゴリズムが遭遇するトレードオフの数で成長するアルゴリズムの集団サイズである。
本稿では,最近導入されたアルゴリズムのスライディングウィンドウ高速化手法を提案する。
我々は,本手法が実行環境に悪影響を及ぼす重要な要因として人口サイズを除外し,計算時間を短縮した従来の手法と同じ理論的性能保証を実現することを実証する。
古典的最大カバレッジ問題に対する実験により,スライディングウインドウ手法が広範囲のインスタンスや制約設定に対して明らかにより良い結果をもたらすことを確認した。
関連論文リスト
- Fast sparse optimization via adaptive shrinkage [0.6226609932118122]
本稿では,対数正規化に基づく近似法を開発し,反復的縮小保持アルゴリズムであることが判明した。
この適応性はアルゴリズムの軌道を大幅に促進し、より高速な収束をもたらす。
我々は,その高速収束を数値実験により検証し,最先端アルゴリズムの性能について考察する。
論文 参考訳(メタデータ) (2025-01-21T15:58:21Z) - On Constructing Algorithm Portfolios in Algorithm Selection for Computationally Expensive Black-box Optimization in the Fixed-budget Setting [0.0]
本稿では,アルゴリズムポートフォリオ構築におけるサンプリングフェーズにおける関数評価の回数を考慮することの重要性を論じる。
その結果,提案手法により構築されたアルゴリズムのポートフォリオは,従来の手法よりも大幅に向上していることがわかった。
論文 参考訳(メタデータ) (2024-05-13T03:31:13Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳(メタデータ) (2023-07-17T20:11:56Z) - Socio-cognitive Optimization of Time-delay Control Problems using
Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。
本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文 参考訳(メタデータ) (2022-10-23T22:21:10Z) - High dimensional Bayesian Optimization Algorithm for Complex System in
Time Series [1.9371782627708491]
本稿では,新しい高次元ベイズ最適化アルゴリズムを提案する。
モデルの時間依存特性や次元依存特性に基づいて,提案アルゴリズムは次元を均等に低減することができる。
最適解の最終精度を高めるために,提案アルゴリズムは,最終段階におけるアダムに基づく一連のステップに基づく局所探索を追加する。
論文 参考訳(メタデータ) (2021-08-04T21:21:17Z) - Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex
Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。
我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。
我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
論文 参考訳(メタデータ) (2021-06-08T15:54:44Z) - Dynamic Cat Swarm Optimization Algorithm for Backboard Wiring Problem [0.9990687944474739]
本稿では,動的キャット群最適化(Dynamic Cat Swarm Optimization)と呼ばれる,強力な群知能メタヒューリスティック最適化アルゴリズムを提案する。
提案アルゴリズムは,アルゴリズムの選択スキームと探索モードを変更することにより,これらの位相間の適切なバランスを与える新しい手法を提案する。
最適化の結果,提案アルゴリズムの有効性が示された。
論文 参考訳(メタデータ) (2021-04-27T19:41:27Z) - Optimizing Optimizers: Regret-optimal gradient descent algorithms [9.89901717499058]
我々は,後悔最適アルゴリズムの存在,一意性,一貫性について検討する。
制御問題に対する一階最適条件を提供することにより、後悔最適アルゴリズムはそれらの力学において特定の構造を満たす必要があることを示す。
それらを近似する高速な数値法を提案し,長期的後悔を直接最適化する最適化アルゴリズムを生成する。
論文 参考訳(メタデータ) (2020-12-31T19:13:53Z) - An Asymptotically Optimal Primal-Dual Incremental Algorithm for
Contextual Linear Bandits [129.1029690825929]
複数の次元に沿った最先端技術を改善する新しいアルゴリズムを提案する。
非文脈線形帯域の特別な場合において、学習地平線に対して最小限の最適性を確立する。
論文 参考訳(メタデータ) (2020-10-23T09:12:47Z) - IDEAL: Inexact DEcentralized Accelerated Augmented Lagrangian Method [64.15649345392822]
本稿では,局所関数が滑らかで凸な分散最適化環境下での原始的手法設計のためのフレームワークを提案する。
提案手法は,加速ラグランジアン法により誘導されるサブプロブレム列を概ね解いたものである。
加速度勾配降下と組み合わせることで,収束速度が最適で,最近導出された下界と一致した新しい原始アルゴリズムが得られる。
論文 参考訳(メタデータ) (2020-06-11T18:49:06Z) - Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
適応性は現代最適化理論において重要であるが、研究されていない性質である。
提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
論文 参考訳(メタデータ) (2020-02-13T05:42:27Z)
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。