論文の概要: A Fitness-assignment Method for Evolutionary Constrained Multi-objective Optimization
- arxiv url: http://arxiv.org/abs/2305.18734v2
- Date: Thu, 06 Feb 2025 04:41:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-07 17:44:13.757502
- Title: A Fitness-assignment Method for Evolutionary Constrained Multi-objective Optimization
- Title（参考訳）: 進化的制約付き多目的最適化のための適合度アサインメント法
- Authors: Oladayo S. Ajani, Sri Srinivasa Raju M, Anand Paul, Rammohan Mallipeddi,
- Abstract要約: IcSDE+と呼ばれる単一人口適応型CMOEAを提案する。
IcSDE+は制約違反(c)、シフトベース密度推定(SDE)、目的の和(+)の効率的な融合である
IcSDE+の性能は、異なる特徴を持つ6つのベンチマークスイート上の9つの最先端CMOEAと比較して好意的に比較される。
- 参考スコア（独自算出の注目度）: 5.757908778750608
- License:
- Abstract: The effectiveness of Constrained Multi-Objective Evolutionary Algorithms (CMOEAs) depends on their ability to reach the different feasible regions during evolution, by exploiting the information present in infeasible solutions, in addition to optimizing the several conflicting objectives. Over the years, researchers have proposed several CMOEAs to handle Constrained Multi-objective Optimization Problems (CMOPs). However, most of the proposed CMOEAs with scalable performance are too complex because they are either multi-staged or multi-population-based algorithms. Consequently, to ensure the simplicity of CMOEAs, researchers have proposed different fitness-assignment-based CMOEAs by combining different fitness-assignment-based methods used to solve unconstrained multi-objective problems with information regarding the feasibility of each solution. The main performance drawback of such methods is that it is difficult to design a fitness assignment method that can account for constraint violation in addition to convergence and diversity. Hence in this paper, we propose an effective single-population fitness assignment-based CMOEA referred to as IcSDE+ that can explore different feasible regions in the search space. IcSDE+ is a fitness assignment-based algorithm, that is an efficient fusion of constraint violation (c), Shift-based Density Estimation (SDE), and sum of objectives (+). The performance of IcSDE+ is favorably compared against 9 state-of-the-art CMOEAs on 6 different benchmark suites with diverse characteristics.
- Abstract（参考訳）: 制約付き多目的進化アルゴリズム(CMOEA)の有効性は、いくつかの矛盾する目的を最適化するだけでなく、実現不可能な解に存在する情報を活用することによって、進化中に異なる実現可能な領域に到達する能力に依存する。
長年にわたり、研究者は制約付き多目的最適化問題(CMOP)を扱うためのいくつかのCMOEAを提案してきた。
しかし、拡張性のあるCMOEAのほとんどは、多段階または多集団ベースのアルゴリズムであるため、複雑すぎる。
その結果、CMOEAの簡易性を確保するために、各ソリューションの実現可能性に関する情報を用いて、制約のない多目的問題を解決するために使用される異なるフィットネス割り当てベースの方法を組み合わせることで、異なるフィットネス割り当てベースのCMOEAを提案している。
このような手法の主な性能上の欠点は、収束と多様性に加えて制約違反を考慮に入れたフィットネス割り当て手法を設計することが難しいことである。
そこで本稿では,IcSDE+と呼ばれる単一人口適応型CMOEAを提案する。
IcSDE+はフィットネス割当に基づくアルゴリズムであり、制約違反(c)、シフトベース密度推定(SDE)、目標の和(+)の効率的な融合である。
IcSDE+の性能は、異なる特徴を持つ6つのベンチマークスイート上の9つの最先端CMOEAと比較して好意的に比較される。
関連論文リスト
- Maintaining Diversity Provably Helps in Evolutionary Multimodal Optimization [20.621635722585502]
解空間における解の多様性を考慮に入れた簡単な方法が進化的アルゴリズム(EA)の探索に有効であることを示す。
提案手法は,クロスオーバーで作業することで探索の促進に寄与し,予測走行時間において,マルチモーダルあるいは指数加速度がもたらされることを実証する。
論文 参考訳（メタデータ） (2024-06-04T17:52:14Z) - An Efficient Approach for Solving Expensive Constrained Multiobjective Optimization Problems [0.0]
効率的な確率的選択に基づく制約付き多目的EAをPSCMOEAと呼ぶ。
a) 評価された解の実現可能性と収束状態に基づく適応探索境界同定スキームのような新しい要素を含む。
ECMOPを模擬する低評価予算を用いて, 幅広い制約付き問題に対して, 数値実験を行った。
論文 参考訳（メタデータ） (2024-05-22T02:32:58Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-05-01T09:34:42Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - Pareto Set Learning for Neural Multi-objective Combinatorial
Optimization [6.091096843566857]
多目的最適化(MOCO)の問題は、現実世界の多くのアプリケーションで見られる。
我々は,与えられたMOCO問題に対するパレート集合全体を,探索手順を伴わずに近似する学習ベースアプローチを開発した。
提案手法は,多目的走行セールスマン問題,マルチコンディショニング車両ルーティング問題,複数クナップサック問題において,ソリューションの品質,速度,モデル効率の面で,他の方法よりも優れていた。
論文 参考訳（メタデータ） (2022-03-29T09:26:22Z) - 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$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z) - Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization [0.0]
本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。
MoHAEAは、MOEA/D、pa$lambda$-MOEA/D、MOEA/D-AWA、NSGA-IIの4つの状態と比較される。
論文 参考訳（メタデータ） (2020-04-29T02:16:49Z) - An Eigenspace Divide-and-Conquer Approach for Large-Scale Optimization [9.501723707464432]
ディバイド・アンド・コンカー(DC)の進化的アルゴリズムは、大規模な最適化問題に対処する上で顕著な成功を収めた。
本研究では,固有空間分割・コンカレント(EDC)手法を提案する。
論文 参考訳（メタデータ） (2020-04-05T07:29:44Z) - 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。