論文の概要: Vector Autoregressive Evolution for Dynamic Multi-Objective Optimisation
- arxiv url: http://arxiv.org/abs/2305.12752v2
- Date: Wed, 25 Oct 2023 03:49:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 21:04:55.776872
- Title: Vector Autoregressive Evolution for Dynamic Multi-Objective Optimisation
- Title（参考訳）: 動的多目的最適化のためのベクトル自己回帰進化
- Authors: Shouyong Jiang, Yong Wang, Yaru Hu, Qingyang Zhang, Shengxiang Yang
- Abstract要約: 動的多目的最適化(DMO)は、様々な環境において複数の目的を持つ最適化問題を扱う。
本稿では,DMOの環境変化に対応するために,ベクトル自己回帰(VAR)と環境対応ハイパーミューテーションからなるベクトル自己回帰進化(VARE)を提案する。
- 参考スコア（独自算出の注目度）: 7.5104598146227
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dynamic multi-objective optimisation (DMO) handles optimisation problems with
multiple (often conflicting) objectives in varying environments. Such problems
pose various challenges to evolutionary algorithms, which have popularly been
used to solve complex optimisation problems, due to their dynamic nature and
resource restrictions in changing environments. This paper proposes vector
autoregressive evolution (VARE) consisting of vector autoregression (VAR) and
environment-aware hypermutation to address environmental changes in DMO. VARE
builds a VAR model that considers mutual relationship between decision
variables to effectively predict the moving solutions in dynamic environments.
Additionally, VARE introduces EAH to address the blindness of existing
hypermutation strategies in increasing population diversity in dynamic
scenarios where predictive approaches are unsuitable. A seamless integration of
VAR and EAH in an environment-adaptive manner makes VARE effective to handle a
wide range of dynamic environments and competitive with several popular DMO
algorithms, as demonstrated in extensive experimental studies. Specially, the
proposed algorithm is computationally 50 times faster than two widely-used
algorithms (i.e., TrDMOEA and MOEA/D-SVR) while producing significantly better
results.
- Abstract（参考訳）: 動的多目的最適化(DMO)は、様々な環境で複数の(しばしば矛盾する)目的を持つ最適化問題を扱う。
このような問題は、動的性質と変化する環境における資源制限のため、複雑な最適化問題を解決するために広く使われている進化的アルゴリズムに様々な課題をもたらす。
本稿では,DMOの環境変化に対応するために,ベクトル自己回帰(VAR)と環境対応ハイパーミューテーションからなるベクトル自己回帰進化(VARE)を提案する。
VAREは、動的環境における移動解を効果的に予測するために、決定変数間の相互関係を考慮したVARモデルを構築する。
さらに、VAREはEAHを導入し、予測アプローチが適さない動的なシナリオにおいて、人口の多様性を増大させる既存のハイパーミューテーション戦略の盲点に対処する。
VARとEAHを環境適応的にシームレスに統合することで、VAREは幅広い動的環境を扱えるようになり、様々なDMOアルゴリズムと競合する。
特に、提案アルゴリズムは2つの広く使われているアルゴリズム(trdmoeaとmoea/d-svr)よりも計算速度が50倍速く、優れた結果が得られる。
関連論文リスト
- CARIn: Constraint-Aware and Responsive Inference on Heterogeneous Devices for Single- and Multi-DNN Workloads [4.556037016746581]
本稿では,モバイルデバイス上でのディープニューラルネットワーク(DNN)の実行を最適化する上での課題に対処する。
CARInはシングルDNNアプリケーションとマルチDNNアプリケーションの両方を最適化するための新しいフレームワークである。
現状のOODInフレームワークとは対照的に,単一モデルの設計では1.92倍,最大10.69倍となる。
論文 参考訳（メタデータ） (2024-09-02T09:18:11Z) - Clustering in Dynamic Environments: A Framework for Benchmark Dataset Generation With Heterogeneous Changes [11.56518009058007]
動的環境におけるクラスタリングは、リアルタイムデータ分析やオンライン教師なし学習から動的施設配置問題まで幅広い応用において、重要性が増している。
静的クラスタリングタスクでは,メタヒューリスティックスが有望な有効性を示している。
これは、さまざまな動的シナリオにおけるクラスタリングアルゴリズムの体系的なパフォーマンス評価を妨げる、多様な、制御可能な、現実的な動的特性を備えた動的データセットの欠如による部分もある。
この欠陥は、動的環境におけるクラスタリングのアルゴリズムを効果的に設計する私たちの理解と能力のギャップにつながる。
論文 参考訳（メタデータ） (2024-02-24T05:49:27Z) - Solving Expensive Optimization Problems in Dynamic Environments with Meta-learning [32.41025515064283]
本稿では,高コストな動的最適化問題を解くための,シンプルなメタラーニングに基づく最適化フレームワークを提案する。
このフレームワークは柔軟性があり、任意の既製のサロゲートモデルをプラグイン形式で連続的に使用することができる。
いくつかの最先端アルゴリズムと比較して,提案手法の有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-10-19T07:42:51Z) - Reproducibility and Baseline Reporting for Dynamic Multi-objective
Benchmark Problems [4.859986264602551]
本稿では,DMOPのパラメータのシミュレーション実験について述べる。
動的アルゴリズム評価のためのベースラインスキーマを導入する。
目的構築された動的アルゴリズムが有用であるために必要な最小限の能力を確立することができる。
論文 参考訳（メタデータ） (2022-04-08T15:50:17Z) - Benchmark Functions for CEC 2022 Competition on Seeking Multiple Optima
in Dynamic Environments [15.075191738272098]
マルチモーダル最適化問題(DMMOP)は進化と群知能の分野で長年研究されてきた。
このコンペティションでは、現実世界のアプリケーションをモデル化するDMMOPに関するテストスーツが提供される。
この計量はアルゴリズムの性能を測定するためにも用いられるが、これは全ての環境で見つかる最適解の平均数を考えるものである。
論文 参考訳（メタデータ） (2022-01-03T08:44:33Z) - Neural Stochastic Dual Dynamic Programming [99.80617899593526]
我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。
$nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
論文 参考訳（メタデータ） (2021-12-01T22:55:23Z) - Multi-Objective Constrained Optimization for Energy Applications via
Tree Ensembles [55.23285485923913]
エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。
場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。
本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
論文 参考訳（メタデータ） (2021-11-04T20:18:55Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z) - Dynamic Regret of Policy Optimization in Non-stationary Environments [120.01408308460095]
我々は,POWERとPOWER++の2つのモデルフリーポリシー最適化アルゴリズムを提案し,その動的後悔の保証を確立する。
我々はPOWER++が動的後悔の第2の構成要素であるPOWERよりも優れており、予測によって非定常性に積極的に適応していることを示す。
我々の知識を最大限に活用するために、我々の研究は、非定常環境におけるモデルフリーなRLアルゴリズムの、最初の動的後悔分析である。
論文 参考訳（メタデータ） (2020-06-30T23:34:37Z) - GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal
Black Box Constraint Satisfaction [69.94831587339539]
本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。
我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
論文 参考訳（メタデータ） (2020-02-17T20:21:20Z)
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。