論文の概要: Best performance and reliability for your time: budget-aware
search-based optimization of software model refactoring
- arxiv url: http://arxiv.org/abs/2308.15179v1
- Date: Tue, 29 Aug 2023 10:01:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 12:04:37.187022
- Title: Best performance and reliability for your time: budget-aware
search-based optimization of software model refactoring
- Title（参考訳）: 最高のパフォーマンスと信頼性: 予算対応検索に基づくソフトウェアモデルリファクタリングの最適化
- Authors: J. Andres Diaz-Pace, Daniele Di Pompeo, Michele Tucci
- Abstract要約: ソフトウェアモデルの最適化では、時間予算を課すことは時間の節約に有効であるが、設計者は時間とソリューションの品質の間のトレードオフを慎重に考慮する必要がある。
NSGA-IIは最速のアルゴリズムであり、PESA2は最高品質の解を生成する。
- 参考スコア（独自算出の注目度）: 2.0257616108612373
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Context: Software model optimization is a process that automatically
generates design alternatives, typically to enhance quantifiable non-functional
properties of software systems, such as performance and reliability.
Multi-objective evolutionary algorithms have shown to be effective in this
context for assisting the designer in identifying trade-offs between the
desired non-functional properties. Objective: In this work, we investigate the
effects of imposing a time budget to limit the search for design alternatives,
which inevitably affects the quality of the resulting alternatives. Method: The
effects of time budgets are analyzed by investigating both the quality of the
generated design alternatives and their structural features when varying the
budget and the genetic algorithm (NSGA-II, PESA2, SPEA2). This is achieved by
employing multi-objective quality indicators and a tree-based representation of
the search space. Results: The study reveals that the time budget significantly
affects the quality of Pareto fronts, especially for performance and
reliability. NSGA-II is the fastest algorithm, while PESA2 generates the
highest-quality solutions. The imposition of a time budget results in
structurally distinct models compared to those obtained without a budget,
indicating that the search process is influenced by both the budget and
algorithm selection. Conclusions: In software model optimization, imposing a
time budget can be effective in saving optimization time, but designers should
carefully consider the trade-off between time and solution quality in the
Pareto front, along with the structural characteristics of the generated
models. By making informed choices about the specific genetic algorithm,
designers can achieve different trade-offs.
- Abstract（参考訳）: コンテキスト: ソフトウェアモデルの最適化は、設計の代替品を自動的に生成するプロセスであり、通常、性能や信頼性などのソフトウェアシステムの定量的な非機能特性を強化する。
多目的進化的アルゴリズムはこの文脈において、設計者が望まれる非機能特性間のトレードオフを特定するのを支援するために有効であることが示されている。
目的: 本研究では, 設計代替案の探索を制限するために, 時間予算を課すことが, 結果の代替案の品質に必然的に影響を及ぼすことを検討する。
方法: 予算と遺伝的アルゴリズム(NSGA-II, PESA2, SPEA2)の変化に伴う設計代替案の品質と構造特性の両面から, 時間予算の効果を解析した。
これは多目的品質指標と探索空間のツリーベース表現を用いて達成される。
結果: 時間予算は,特にパフォーマンスや信頼性において,パレートフロントの品質に大きく影響することが明らかとなった。
NSGA-IIは最速のアルゴリズムであり、PESA2は最高品質の解を生成する。
時間予算の付与は、予算のないモデルと比較して構造的に異なるモデルとなり、検索プロセスは予算とアルゴリズムの選択の両方に影響されていることを示す。
結論: ソフトウェアモデル最適化では、時間予算を課すことで最適化時間を節約できますが、設計者は、生成されたモデルの構造特性とともに、Paretoフロントにおける時間とソリューション品質の間のトレードオフを慎重に検討する必要があります。
特定の遺伝的アルゴリズムについてインフォームドな選択を行うことで、デザイナーは異なるトレードオフを実現できる。
関連論文リスト
- On Constructing Algorithm Portfolios in Algorithm Selection for Computationally Expensive Black-box Optimization in the Fixed-budget Setting [0.0]
本稿では,アルゴリズムポートフォリオ構築におけるサンプリングフェーズにおける関数評価の回数を考慮することの重要性を論じる。
その結果,提案手法により構築されたアルゴリズムのポートフォリオは,従来の手法よりも大幅に向上していることがわかった。
論文 参考訳（メタデータ） (2024-05-13T03:31:13Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - Bayesian Quality-Diversity approaches for constrained optimization
problems with mixed continuous, discrete and categorical variables [0.3626013617212667]
シミュレーション予算の制限という観点から,混合変数に基づく新しい品質多様性手法を提案する。
提案手法は、複雑なシステム設計のための意思決定者にとって貴重なトレードオフを提供する。
論文 参考訳（メタデータ） (2023-09-11T14:29:47Z) - Performance of Genetic Algorithms in the Context of Software Model
Refactoring [1.3812010983144802]
本稿では,3つの遺伝的アルゴリズムの性能解析を行い,その性能と品質を比較検討する。
その結果,アルゴリズムの性能に有意な差が認められた。
論文 参考訳（メタデータ） (2023-08-26T13:25:42Z) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳（メタデータ） (2023-05-31T12:07:50Z) - Socio-cognitive Optimization of Time-delay Control Problems using
Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。
本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文 参考訳（メタデータ） (2022-10-23T22:21:10Z) - Multi-objective robust optimization using adaptive surrogate models for
problems with mixed continuous-categorical parameters [0.0]
ロバスト設計の最適化は、不確実性が主に目的関数に影響を与える場合、伝統的に考慮されている。
結果として生じるネスト最適化問題は、非支配的ソート遺伝的アルゴリズム(NSGA-II)において、汎用的な解法を用いて解決することができる。
提案手法は、適応的に構築されたKrigingモデルを用いて、NSGA-IIを順次実行し、量子を推定する。
論文 参考訳（メタデータ） (2022-03-03T20:23:18Z) - Pareto-Frontier-aware Neural Architecture Generation for Diverse Budgets [93.79297053429447]
既存の手法は、しばしばそれぞれの目標予算を独立したアーキテクチャで検索する。
モデル推論のみで任意の予算で効率的なアーキテクチャを自動生成する汎用アーキテクチャ生成器を提案する。
3つのプラットフォーム(モバイル、CPU、GPUなど)における広範な実験は、提案手法が既存のNAS法よりも優れていることを示している。
論文 参考訳（メタデータ） (2021-02-27T13:59:17Z) - Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。
レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
論文 参考訳（メタデータ） (2020-08-02T02:56:30Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z) - Simplified Swarm Optimization for Bi-Objection Active Reliability
Redundancy Allocation Problems [1.5990720051907859]
信頼性冗長性割り当て問題(RRAP)は、システム設計、開発、管理においてよく知られた問題である。
本研究では, コスト制約を新たな目標として変更することにより, 両対象RRAPを定式化する。
提案課題を解決するために,ペナルティ関数を備えた新しい簡易スワム最適化 (SSO) ,実効1型ソリューション構造,数値ベースの自己適応型新しい更新機構,制約付き非支配型ソリューション選択,および新しいpBest代替ポリシーを開発した。
論文 参考訳（メタデータ） (2020-06-17T13:15:44Z)
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。