論文の概要: Multiobjective Evolutionary Component Effect on Algorithm behavior
- arxiv url: http://arxiv.org/abs/2308.02527v1
- Date: Mon, 31 Jul 2023 16:02:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 01:08:23.953408
- Title: Multiobjective Evolutionary Component Effect on Algorithm behavior
- Title（参考訳）: 多目的進化成分がアルゴリズム行動に及ぼす影響
- Authors: Yuri Lavinas, Marcelo Ladeira, Gabriela Ochoa, Claus Aranha
- Abstract要約: パフォーマンス改善につながる最も影響力のあるコンポーネントは何かは不明だ。
この手法を,反復レース (irace) 構成パッケージによって設計された分解(MOEA/D)に基づくチューニング多目的進化アルゴリズムに適用する。
本稿では,検索トラジェクトリ・ネットワーク(STN),人口の多様性,時空の超体積値について,アルゴリズム成分の影響を比較した。
- 参考スコア（独自算出の注目度）: 0.04588028371034406
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The performance of multiobjective evolutionary algorithms (MOEAs) varies
across problems, making it hard to develop new algorithms or apply existing
ones to new problems. To simplify the development and application of new
multiobjective algorithms, there has been an increasing interest in their
automatic design from their components. These automatically designed
metaheuristics can outperform their human-developed counterparts. However, it
is still unknown what are the most influential components that lead to
performance improvements. This study specifies a new methodology to investigate
the effects of the final configuration of an automatically designed algorithm.
We apply this methodology to a tuned Multiobjective Evolutionary Algorithm
based on Decomposition (MOEA/D) designed by the iterated racing (irace)
configuration package on constrained problems of 3 groups: (1) analytical
real-world problems, (2) analytical artificial problems and (3) simulated
real-world. We then compare the impact of the algorithm components in terms of
their Search Trajectory Networks (STNs), the diversity of the population, and
the anytime hypervolume values. Looking at the objective space behavior, the
MOEAs studied converged before half of the search to generally good HV values
in the analytical artificial problems and the analytical real-world problems.
For the simulated problems, the HV values are still improving at the end of the
run. In terms of decision space behavior, we see a diverse set of the
trajectories of the STNs in the analytical artificial problems. These
trajectories are more similar and frequently reach optimal solutions in the
other problems.
- Abstract（参考訳）: 多目的進化アルゴリズム(MOEA)の性能は問題によって異なり、新しいアルゴリズムを開発したり、既存のアルゴリズムを新しい問題に適用することは困難である。
新しい多目的アルゴリズムの開発と適用を単純化するために、コンポーネントからの自動設計への関心が高まっている。
これらの自動設計メタヒューリスティックは、人間が開発したものよりも優れている。
しかし、パフォーマンス改善につながる最も影響力のあるコンポーネントは何かはまだ不明である。
本研究は、自動設計アルゴリズムの最終的な構成の影響を調べるための新しい手法を規定する。
本手法を3つのグループの制約問題((1)実世界の解析問題,(2)人工的問題,(3)実世界のシミュレート問題)に対して,反復レース (irace) 構成パッケージによって設計された分解(MOEA/D)に基づくチューニング多目的進化アルゴリズムに適用する。
次に, 探索軌道ネットワーク(stn), 集団の多様性, 時間的超体積値などの観点から, アルゴリズム成分の影響を比較した。
目的空間の振る舞いをみると、MOEAは探索の半分前に収束し、解析的人工問題と分析的実世界の問題において一般的に良いHV値を得た。
シミュレーションされた問題に対して、HV値は実行の最後にはまだ改善されている。
決定空間の挙動に関しては、解析的人工問題におけるSTNの軌跡の多様さが見られる。
これらの軌道はより類似しており、他の問題における最適解にしばしば到達する。
関連論文リスト
- Using 3-Objective Evolutionary Algorithms for the Dynamic Chance Constrained Knapsack Problem [9.617143859697322]
動的制約付き制約付きクナプサック問題に対する3目的進化アルゴリズムの利用について検討する。
動的成分を同時に扱える3つの客観的定式化を導入し,制約に要求される信頼度に依存しない。
本分析では, 動的確率制約クナプサック問題に対処する上で, 2-対象の定式化よりも3-対象の定式化の利点を強調した。
論文 参考訳（メタデータ） (2024-04-09T04:47:01Z) - AbCD: A Component-wise Adjustable Framework for Dynamic Optimization
Problems [49.1574468325115]
動的最適化問題 (DOP) は、常に発生し、現実の応用に共通するフィットネス環境の変化によって特徴づけられる。
我々は、動的問題のための調整可能なコンポーネント(AbCD)と呼ばれるDOPのためのコンポーネント指向フレームワークを開発する。
この結果から,アルゴリズムやコンポーネントの今後の発展に対処する必要があるDOP分野の既存の課題が浮き彫りになる。
論文 参考訳（メタデータ） (2023-10-09T08:11:31Z) - Contribution \`a l'Optimisation d'un Comportement Collectif pour un
Groupe de Robots Autonomes [0.0]
この論文は集団ロボット工学の分野、特にマルチロボットシステムの最適化問題を研究している。
最初の貢献は、未知領域探索問題の解決にButterfly Algorithm Optimization (BOA) を用いることである。
第2の貢献は、ロボット工学における動的増分問題をベンチマークするための新しいシミュレーションフレームワークの開発である。
論文 参考訳（メタデータ） (2023-06-10T21:49:08Z) - Three-Way Trade-Off in Multi-Objective Learning: Optimization,
Generalization and Conflict-Avoidance [47.42067405054353]
MOL(Multi-objective Learning)は、機械学習の新興問題においてしばしば発生する問題である。
MOLにおける重要な課題の1つは、反復最適化プロセスにおける異なる目的間の潜在的な衝突である。
近年,MGDAやその変種など,MOLの動的重み付けアルゴリズムが開発されている。
論文 参考訳（メタデータ） (2023-05-31T17:31:56Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - An Effective and Efficient Evolutionary Algorithm for Many-Objective
Optimization [2.5594423685710814]
様々な多目的問題に対処できる効率的な進化的アルゴリズム(E3A)を開発した。
SDEにインスパイアされたE3Aでは,新しい集団維持法が提案されている。
我々は、広範囲な実験を行い、E3Aが11の最先端の多目的進化アルゴリズムより優れていることを示す。
論文 参考訳（メタデータ） (2022-05-31T15:35:46Z) - 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) - Component-wise Analysis of Automatically Designed Multiobjective
Algorithms on Constrained Problems [0.0]
本研究では,自動設計アルゴリズムの最終的な構成が与える影響を調査するための新しい手法を提案する。
本手法は,9つの制約付き問題に対して,iraceパッケージによって設計された分解に基づく多目的進化アルゴリズム(MOEA/D)に応用する。
その結果、最も影響力のあるコンポーネントは再起動と更新の戦略であり、パフォーマンスが向上し、メトリック値がより異なることが示唆された。
論文 参考訳（メタデータ） (2022-03-25T04:35:01Z) - An Overview and Experimental Study of Learning-based Optimization
Algorithms for Vehicle Routing Problem [49.04543375851723]
車両ルーティング問題(VRP)は典型的な離散最適化問題である。
多くの研究は、VRPを解決するための学習に基づく最適化アルゴリズムについて検討している。
本稿では、最近のこの分野の進歩を概観し、関連するアプローチをエンドツーエンドアプローチとステップバイステップアプローチに分割する。
論文 参考訳（メタデータ） (2021-07-15T02:13:03Z) - 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 Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。
我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。
集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文 参考訳（メタデータ） (2020-02-20T15:00:54Z)
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。