論文の概要: Knowledge Transfer for Dynamic Multi-objective Optimization with a
Changing Number of Objectives
- arxiv url: http://arxiv.org/abs/2306.10668v1
- Date: Mon, 19 Jun 2023 01:54:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 19:28:14.824055
- Title: Knowledge Transfer for Dynamic Multi-objective Optimization with a
Changing Number of Objectives
- Title(参考訳): 目的数変化を伴う動的多目的最適化のための知識伝達
- Authors: Gan Ruan, Leandro L. Minku, Stefan Menzel, Bernhard Sendhoff and Xin
Yao
- Abstract要約: DMOPの目的が変化する状態遷移アルゴリズムには,十分な多様性が欠如していることが示される。
本稿では,変化後の多様性を高めるために,知識伝達動的多目的進化アルゴリズム(KTDMOEA)を提案する。
- 参考スコア(独自算出の注目度): 4.490459770205671
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Different from most other dynamic multi-objective optimization problems
(DMOPs), DMOPs with a changing number of objectives usually result in expansion
or contraction of the Pareto front or Pareto set manifold. Knowledge transfer
has been used for solving DMOPs, since it can transfer useful information from
solving one problem instance to solve another related problem instance.
However, we show that the state-of-the-art transfer algorithm for DMOPs with a
changing number of objectives lacks sufficient diversity when the fitness
landscape and Pareto front shape present nonseparability, deceptiveness or
other challenging features. Therefore, we propose a knowledge transfer dynamic
multi-objective evolutionary algorithm (KTDMOEA) to enhance population
diversity after changes by expanding/contracting the Pareto set in response to
an increase/decrease in the number of objectives. This enables a solution set
with good convergence and diversity to be obtained after optimization.
Comprehensive studies using 13 DMOP benchmarks with a changing number of
objectives demonstrate that our proposed KTDMOEA is successful in enhancing
population diversity compared to state-of-the-art algorithms, improving
optimization especially in fast changing environments.
- Abstract(参考訳): 他の多くの動的多目的最適化問題(DMOP)とは異なり、目的が変化するDMOPは、通常、パレート正面あるいはパレート集合多様体の拡張あるいは収縮をもたらす。
知識伝達は、ある問題インスタンスから別の問題インスタンスを解くために有用な情報を転送できるため、DMOPの解決に使われてきた。
しかし, DMOPの目的が変化している状態遷移アルゴリズムは, フィットネスランドスケープやパレートの前面形状が非分離性, 偽造性, その他の困難な特徴を示す場合, 十分な多様性を欠いている。
そこで本研究では,目的数の増加/減少に対応してパレート集合を拡張/縮小することで,変化後の個体多様性を高めるための知識伝達動的多目的進化アルゴリズム(ktdmoea)を提案する。
これにより、最適化後に優れた収束性と多様性を持つ解集合が得られる。
13のdmopベンチマークを用いた包括的研究により,提案するktdmoeaは,最先端のアルゴリズムと比較して人口多様性の向上に成功し,特に変化の早い環境での最適化が向上していることが示された。
関連論文リスト
- Dynamic Detection of Relevant Objectives and Adaptation to Preference Drifts in Interactive Evolutionary Multi-Objective Optimization [2.4374097382908477]
意思決定過程を通じて進化し,目的の関連性に影響を与えるDM選好の動的性質について検討する。
このような変化が起こると、時代遅れや相反する好みを解消する手法を提案する。
実験により,提案手法は進化する嗜好を効果的に管理し,アルゴリズムが生成するソリューションの品質と望ましさを著しく向上することを示した。
論文 参考訳(メタデータ) (2024-11-07T09:09:06Z) - On-the-fly Modulation for Balanced Multimodal Learning [53.616094855778954]
マルチモーダル学習は、異なるモーダルからの情報を統合することでモデル性能を向上させることが期待されている。
広く使われている共同トレーニング戦略は、不均衡で最適化されていないユニモーダル表現につながる。
そこで本研究では,OGM(On-the-fly Prediction Modulation)とOGM(On-the-fly Gradient Modulation)の戦略を提案する。
論文 参考訳(メタデータ) (2024-10-15T13:15:50Z) - Revisiting the Domain Shift and Sample Uncertainty in Multi-source
Active Domain Transfer [69.82229895838577]
Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。
この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。
これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
論文 参考訳(メタデータ) (2023-11-21T13:12:21Z) - Source-free Domain Adaptation Requires Penalized Diversity [60.04618512479438]
ソースデータがない場合、異なるドメイン間の知識伝達に対処するために、ソースフリードメイン適応(SFDA)が導入された。
教師なしのFDAでは、多様性はソース上の1つの仮説を学習するか、共有された特徴抽出器で複数の仮説を学習することに限定される。
本稿では,異なる特徴抽出器を用いて表現多様性を促進する新しい無教師付きSFDAアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-06T00:20:19Z) - Coevolutionary Pareto Diversity Optimization [13.026567958569965]
共進化的Pareto Diversity Optimizationアプローチを導入する。
特に,集団間クロスオーバーの利用により,解の集合の多様性がさらに向上することを示す。
論文 参考訳(メタデータ) (2022-04-12T00:52:13Z) - Multi-Objective Quality Diversity Optimization [2.4608515808275455]
MOME(Multi-Objective MAP-Elites)の多目的設定におけるMAP-Elitesアルゴリズムの拡張を提案する。
すなわち、MAP-Elitesグリッドアルゴリズムから受け継いだ多様性と、多目的最適化の強みを組み合わせる。
本手法は,標準的な最適化問題からロボットシミュレーションまで,いくつかのタスクで評価する。
論文 参考訳(メタデータ) (2022-02-07T10:48:28Z) - 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$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳(メタデータ) (2021-10-18T14:00:22Z) - Permutation Invariant Policy Optimization for Mean-Field Multi-Agent
Reinforcement Learning: A Principled Approach [128.62787284435007]
本稿では,平均場近似ポリシ最適化(MF-PPO)アルゴリズムを提案する。
我々は,MF-PPOが収束のサブ線形速度で世界的最適政策を達成することを証明した。
特に、置換不変ニューラルアーキテクチャによって引き起こされる誘導バイアスは、MF-PPOが既存の競合より優れていることを示す。
論文 参考訳(メタデータ) (2021-05-18T04:35:41Z) - An Analysis of Phenotypic Diversity in Multi-Solution Optimization [118.97353274202749]
マルチモーダル最適化は高い適合性ソリューションを生み出し、品質の多様性は遺伝的中立性に敏感ではない。
オートエンコーダは表現型特徴を自動的に発見するために使用され、品質の多様性を備えたさらに多様なソリューションセットを生成する。
論文 参考訳(メタデータ) (2021-05-10T10:39:03Z) - Niching Diversity Estimation for Multi-modal Multi-objective
Optimization [9.584279193016522]
ニッチは進化的多目的最適化において重要かつ広く用いられている手法である。
MMOPでは、対象空間の解は決定空間に複数の逆像を持つことができ、これは等価解と呼ばれる。
MMOPの処理において、標準多様性推定器をより効率的にするために、一般的なニチング機構を提案する。
論文 参考訳(メタデータ) (2021-01-31T05:23:31Z) - Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization [0.0]
本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。
MoHAEAは、MOEA/D、pa$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。