論文の概要: Drift Analysis with Fitness Levels for Elitist Evolutionary Algorithms
- arxiv url: http://arxiv.org/abs/2309.00851v1
- Date: Sat, 2 Sep 2023 07:42:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 00:46:10.756152
- Title: Drift Analysis with Fitness Levels for Elitist Evolutionary Algorithms
- Title（参考訳）: エリート進化アルゴリズムにおける適合度レベルのドリフト解析
- Authors: Jun He and Yuren Zhou
- Abstract要約: 本稿では、フィットネスレベル法に関するオープンな疑問を厳格に研究する。
フィットネスレベルに基づいて構築できる最も厳しい下限と上限は何か。
フィットネスレベルから最も厳密な距離境界が構築され、初めて証明される。
本稿では、自明な係数から最良の係数まで様々な線形境界をカバーできる一般的な枠組みを確立する。
- 参考スコア（独自算出の注目度）: 11.335004901064352
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The fitness level method is a popular tool for analyzing the computation time
of elitist evolutionary algorithms. Its idea is to divide the search space into
multiple fitness levels and estimate lower and upper bounds on the computation
time using transition probabilities between fitness levels. However, the lower
bound generated from this method is often not tight. To improve the lower
bound, this paper rigorously studies an open question about the fitness level
method: what are the tightest lower and upper time bounds that can be
constructed based on fitness levels? To answer this question, drift analysis
with fitness levels is developed, and the tightest bound problem is formulated
as a constrained multi-objective optimization problem subject to fitness level
constraints. The tightest metric bounds from fitness levels are constructed and
proven for the first time. Then the metric bounds are converted into linear
bounds, where existing linear bounds are special cases. This paper establishes
a general framework that can cover various linear bounds from trivial to best
coefficients. It is generic and promising, as it can be used not only to draw
the same bounds as existing ones, but also to draw tighter bounds, especially
on fitness landscapes where shortcuts exist. This is demonstrated in the case
study of the (1+1) EA maximizing the TwoPath function.
- Abstract（参考訳）: フィットネスレベル法は、エリート進化アルゴリズムの計算時間を解析するための一般的なツールである。
そのアイデアは、検索空間を複数のフィットネスレベルに分割し、フィットネスレベル間の遷移確率を用いて計算時間の下限と上限を見積もることである。
しかし、この方法から生成される下限はしばしばタイトではない。
下限を改善するために,本論文では,適合度レベルに基づいて構築できる最も厳密な下限と上限の関係について,オープンな質問を厳格に研究する。
この問いに答えるために, 適合度レベルのドリフト解析が開発され, 最も厳密な境界問題は, 適応度レベルの制約を受ける多目的最適化問題として定式化されている。
フィットネスレベルから最も厳密な距離境界が構築され、初めて証明される。
すると、計量境界は線型境界に変換され、そこでは既存の線型境界は特別な場合である。
本稿では、自明な係数から最良の係数まで様々な線形境界をカバーできる一般的な枠組みを確立する。
既存のものと同じ境界を描くだけでなく、特にショートカットが存在するフィットネスランドスケープにおいて、より厳密な境界を描くためにも使用できるため、汎用的で有望である。
これは、TwoPath関数を最大化する (1+1) EA のケーススタディで示される。
関連論文リスト
- Fast Estimations of Hitting Time of Elitist Evolutionary Algorithms from Fitness Levels [4.605031905884542]
そこで我々は, 線形下界と上界を適合度で構築するための新しい有向グラフ(グラフ)法を開発した。
この新しい手法の大きな利点は、ショートカットによるフィットネス関数の厳密な下界の導出である。
我々の研究は、簡単なフィットネス機能にショートカットなしで対処することから、より複雑なショートカット機能まで、フィットネスレベルメソッドを著しく拡張した。
論文 参考訳（メタデータ） (2023-11-17T13:04:42Z) - Fitness Approximation through Machine Learning [1.0624606551524207]
機械学習(ML)モデルを用いた遺伝的アルゴリズム(GA)における適合度近似の新たな手法を提案する。
私たちは、実際のフィットネススコアとともに、サンプルされた個人のデータセットを保持します。
進化的な実行を通して、フィットネス近似MLモデルを継続的に更新する。
論文 参考訳（メタデータ） (2023-09-06T18:58:21Z) - Sarah Frank-Wolfe: Methods for Constrained Optimization with Best Rates and Practical Features [65.64276393443346]
Frank-Wolfe (FW) 法は、構造化制約による最適化問題の解法として一般的な手法である。
有限サム勾配の最小化のためのアルゴリズムの2つの新しい変種を示す。
論文 参考訳（メタデータ） (2023-04-23T20:05:09Z) - Non-Convergence and Limit Cycles in the Adam optimizer [0.0]
本稿では,2周期の極限周期が2次目的関数のバッチモードに存在することを示す。
これらの極限周期の安定性を解析し、近似収束が示される他の結果と分析を関連付ける。
論文 参考訳（メタデータ） (2022-10-05T07:44:33Z) - Lower Bounds from Fitness Levels Made Easy [5.177947445379688]
Wegenerによるいわゆるフィットネスレベルの方法の2つの新しい変種を示す。
レベル離脱確率の他に、彼らはレベルが訪問される確率にのみ依存している。
より困難を伴わずに計算や推定が可能であることを示し,本手法を適用して以下の既知結果を再現する。
論文 参考訳（メタデータ） (2021-04-07T19:50:53Z) - Hybrid Trilinear and Bilinear Programming for Aligning Partially
Overlapping Point Sets [85.71360365315128]
多くの応用において、部分重なり合う点集合が対応するRPMアルゴリズムに不変であるようなアルゴリズムが必要である。
まず、目的が立方体有界関数であることを示し、次に、三線型および双線型単相変換の凸エンベロープを用いて、その下界を導出する。
次に、変換変数上の分岐のみを効率よく実行するブランチ・アンド・バウンド(BnB)アルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-01-19T04:24:23Z) - Efficient Methods for Structured Nonconvex-Nonconcave Min-Max
Optimization [98.0595480384208]
定常点に収束する一般化外空間を提案する。
このアルゴリズムは一般の$p$ノルド空間だけでなく、一般の$p$次元ベクトル空間にも適用される。
論文 参考訳（メタデータ） (2020-10-31T21:35:42Z) - Refined bounds for algorithm configuration: The knife-edge of dual class
approximability [94.83809668933021]
トレーニングセットが、トレーニングセット上でのパラメータの平均メトリックのパフォーマンスが、予想される将来的なパフォーマンスに最も近いことを保証するために、どの程度の規模が必要かを調査する。
この近似が L-無限ノルムの下で成り立つなら、強いサンプル複雑性境界を与えることができる。
我々は、コンピュータ科学において最も強力なツールの一つである整数プログラミングの文脈において、我々の限界を実証的に評価する。
論文 参考訳（メタデータ） (2020-06-21T15:32:21Z) - Fast Objective & Duality Gap Convergence for Non-Convex Strongly-Concave
Min-Max Problems with PL Condition [52.08417569774822]
本稿では,深層学習(深層AUC)により注目度が高まっている,円滑な非凹部min-max問題の解法に焦点をあてる。
論文 参考訳（メタデータ） (2020-06-12T00:32:21Z) - Adaptive Gradient Methods Converge Faster with Over-Parameterization
(but you should do a line-search) [32.24244211281863]
データを補間するのに十分なパラメータ化モデルを用いて、スムーズで凸的な損失を簡易に設定する。
一定のステップサイズと運動量を持つ AMSGrad がより高速な$O(1/T)$レートで最小値に収束することを証明する。
これらの手法により,タスク間の適応勾配法の収束と一般化が向上することを示す。
論文 参考訳（メタデータ） (2020-06-11T21:23:30Z) - Lagrangian Decomposition for Neural Network Verification [148.0448557991349]
ニューラルネットワーク検証の基本的なコンポーネントは、出力が取ることのできる値のバウンダリの計算である。
ラグランジアン分解に基づく新しい手法を提案する。
ランニングタイムのごく一部で、既成の解法に匹敵するバウンダリが得られることを示す。
論文 参考訳（メタデータ） (2020-02-24T17:55:10Z)
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。