論文の概要: Drift Analysis with Fitness Levels for Elitist Evolutionary Algorithms
- arxiv url: http://arxiv.org/abs/2309.00851v3
- Date: Tue, 13 Feb 2024 17:37:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 19:30:27.800098
- 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: 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。
異なる種類の線形境界に対する異なる適合度レベル手法の開発に使用できるフレームワークが確立されている。
- 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 hitting 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 hitting time
using transition probabilities between fitness levels. However, the lower bound
generated by this method is often loose. An open question regarding the fitness
level method is what are the tightest lower and upper time bounds that can be
constructed based on transition probabilities between fitness levels. To answer
this question, {\color{red} we combine drift analysis with fitness levels and
define the tightest bound problem as a constrained multi-objective optimization
problem subject to fitness levels.} The tightest metric bounds from fitness
levels are constructed and proven for the first time. Then linear bounds are
derived from metric bounds and a framework is established that can be used to
develop different fitness level methods for different types of linear bounds.
The framework is generic and promising, as it can be used to draw tight time
bounds on both fitness landscapes without and with shortcuts. This is
demonstrated in the example of the (1+1) EA maximizing the TwoMax1 function
- Abstract（参考訳）: 適合レベル法(fitness level method)は、楕円型進化アルゴリズムのヒット時間を分析するための一般的なツールである。
その考え方は、検索スペース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ヒットタイムの上下境界を推定することである。
しかし、この方法によって生成される下界はしばしば緩い。
フィットネスレベル法に関するオープンな疑問は、フィットネスレベル間の遷移確率に基づいて構築できる最も厳密な下限と上限の関係である。
この質問に答えるために、ドリフト解析を適合度レベルと組み合わせ、最も厳密な有界問題を、適合度レベルに対する制約付き多目的最適化問題として定義する。
} フィットネスレベルから最も厳密なメトリクス境界が構築され、初めて証明される。
すると、線形境界は計量境界から導出され、異なる種類の線形境界に対する異なる適合度レベル法を開発するのに使用できるフレームワークが確立される。
フレームワークは汎用的で有望で、両方のフィットネスランドスケープにショートカットなしでタイトな時間境界を描くために使用することができる。
これはTwoMax1関数を最大化する (1+1) EA の例で示される。
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。