論文の概要: Stochastic Population Update Can Provably Be Helpful in Multi-Objective Evolutionary Algorithms

• arxiv url: http://arxiv.org/abs/2306.02611v1
• Date: Mon, 5 Jun 2023 05:54:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 16:38:16.589947
• Title: Stochastic Population Update Can Provably Be Helpful in Multi-Objective Evolutionary Algorithms
• Title（参考訳）: 確率的集団更新は多目的進化アルゴリズムにおいて有益である
• Authors: Chao Bian, Yawen Zhou, Miqing Li, Chao Qian
• Abstract要約: 人口更新は多目的進化アルゴリズムの鍵となるコンポーネントである。 我々は,MOEAにおける集団更新手順にランダム性を導入することは,探索に有用であることを示す。
• 参考スコア（独自算出の注目度）: 21.074343650951374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evolutionary algorithms (EAs) have been widely and successfully applied to solve multi-objective optimization problems, due to their nature of population-based search. Population update is a key component in multi-objective EAs (MOEAs), and it is performed in a greedy, deterministic manner. That is, the next-generation population is formed by selecting the first population-size ranked solutions (based on some selection criteria, e.g., non-dominated sorting, crowdedness and indicators) from the collections of the current population and newly-generated solutions. In this paper, we question this practice. We analytically present that introducing randomness into the population update procedure in MOEAs can be beneficial for the search. More specifically, we prove that the expected running time of a well-established MOEA (SMS-EMOA) for solving a commonly studied bi-objective problem, OneJumpZeroJump, can be exponentially decreased if replacing its deterministic population update mechanism by a stochastic one. Empirical studies also verify the effectiveness of the proposed stochastic population update method. This work is an attempt to challenge a common practice for the population update in MOEAs. Its positive results, which might hold more generally, should encourage the exploration of developing new MOEAs in the area.
• Abstract（参考訳）: 進化的アルゴリズム(EA)は,集団探索の性質から,多目的最適化問題に広く応用されている。 人口更新は多目的EA(MOEA)において重要な要素であり、欲求的、決定論的に行われる。 すなわち、次世代人口は、現在の人口と新しく生成されたソリューションのコレクションから、最初の人口規模のランク付けされたソリューション(例えば、非支配的なソート、密集度、指標など)を選択して形成される。 本稿では,この実践に疑問を呈する。 我々は,MOEAにおける集団更新手順にランダム性を導入することは,探索に有用であることを示す。 より具体的には、一般に研究されている二目的問題であるOneJumpZeroJumpを解決するためのよく確立されたMOEA(SMS-EMOA)のランニング時間が、決定論的集団更新機構を確率的に置き換えれば指数関数的に減少することを示した。 また,確率的集団更新手法の有効性を実証研究により検証した。 この研究は、MOEAにおける人口更新の共通の実践に挑戦する試みである。 そのポジティブな成果は、より一般的なものとなり得るが、この地域で新しいmoeaの開発を奨励するであろう。

関連論文リスト

• A Two-stage Evolutionary Framework For Multi-objective Optimization [8.253379910879795]
  多目的最適化のための2段階進化フレームワーク(TEMOF) 1つの古典的MOEAと2つの最先端MOEAがフレームワークに統合され、3つの新しいアルゴリズムが形成される。 3つの新しいアルゴリズムの勝者は、既存のMOEAと比較され、より良い結果を示す。
  論文  参考訳（メタデータ） (2024-07-09T04:14:59Z)
• An Archive Can Bring Provable Speed-ups in Multi-Objective Evolutionary Algorithms [22.123838452178585]
  アーカイブを使うことでMOEAのスピードアップを保証できることを示す。 2つの確立されたMOEAに対して、アーカイブを使用することで、期待される実行時間に加速がもたらされることを示す。
  論文  参考訳（メタデータ） (2024-06-04T08:59:16Z)
• Rigorous Runtime Analysis of Diversity Optimization with GSEMO on OneMinMax [13.026567958569965]
  両目的のベンチマーク問題であるOneMinにおいて,GSEMOアルゴリズムの多様性向上による人口の多様性の最適化について検討した。 問題サイズ$n$が奇数である場合、期待時間$O(n2)$で最適な多様性を持つ集団が見つかることを証明している。 目標を達成するために、人口のランダムウォークを分析し、人口の変化頻度とその成果を反映する。
  論文  参考訳（メタデータ） (2023-07-14T09:43:29Z)
• Non-Elitist Evolutionary Multi-Objective Optimisation: Proof-of-Principle Results [2.5352713493505785]
  エリティズムは、古い人口と新しく生成された解決策から最良の解決策を保存して新しい人口を構築するもので、1990年代後半以来、人口の更新のデフォルトの手段となっている。 我々は、単にエリート主義を捨てることによって、MOEAの人口更新を行うために反対の視点を採っている。 予備実験の結果、NE-MOEAはよく知られたエリート主義者のMOEAと競合できることが示された。
  論文  参考訳（メタデータ） (2023-05-26T12:24:09Z)
• Reweighted Mixup for Subpopulation Shift [63.1315456651771]
  サブポピュレーションシフトは、多くの実世界のアプリケーションに存在し、同じサブポピュレーショングループを含むが異なるサブポピュレーション比率を持つトレーニングとテストの分布を指す。 重要度再重み付けは、サブポピュレーションシフトを処理する古典的で効果的な方法である。 我々は、オーバーフィッティング問題を緩和するために、reweighted mixupと呼ばれるシンプルで実用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-09T03:44:50Z)
• A Large-scale Multiple-objective Method for Black-box Attack against Object Detection [70.00150794625053]
  我々は、真正の確率を最小化し、偽正の確率を最大化し、より多くの偽正の物体が新しい真正の有界箱を作らないようにする。 我々は、GARSDCと呼ばれるランダム・サブセット選択とディバイド・アンド・コンカーによる標準的な遺伝的アルゴリズムを拡張し、効率を大幅に改善する。 最先端攻撃法と比較して、GARSDCはmAPでは平均12.0、広範囲な実験ではクエリでは約1000倍減少する。
  論文  参考訳（メタデータ） (2022-09-16T08:36:42Z)
• Adaptive Identification of Populations with Treatment Benefit in Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
  確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。 サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:27:49Z)
• Towards Explainable Metaheuristic: Mining Surrogate Fitness Models for Importance of Variables [69.02115180674885]
  4つのベンチマーク問題を用いて代理モデルを訓練し、代理モデルによる探索空間の学習について検討する。 代々の人口データに基づいて学習した結果,サロゲートモデルが問題の鍵となる特徴を抽出できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-31T09:16:18Z)
• Frequent Itemset-driven Search for Finding Minimum Node Separators in Complex Networks [61.2383572324176]
  本稿では,データマイニングにおける頻繁なアイテムセットマイニングの概念をよく知られたメメティック検索フレームワークに統合する,頻繁なアイテムセット駆動探索手法を提案する。 頻繁なアイテムセット組換え演算子を反復的に使用して、高品質なソリューションで頻繁に発生するアイテムセットに基づいた有望な子孫ソリューションを生成する。 特に、29個の新しい上界を発見し、以前の18個の最もよく知られた境界と一致する。
  論文  参考訳（メタデータ） (2022-01-18T11:16:40Z)
• 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$を達成できることを理論的に証明する。 目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
  論文  参考訳（メタデータ） (2021-10-18T14:00:22Z)
• Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization [0.0]
  本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。 MoHAEAは、MOEA/D、pa$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)

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。