論文の概要: GNBG: A Generalized and Configurable Benchmark Generator for Continuous Numerical Optimization

• arxiv url: http://arxiv.org/abs/2312.07083v1
• Date: Tue, 12 Dec 2023 09:04:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 16:48:20.658211
• Title: GNBG: A Generalized and Configurable Benchmark Generator for Continuous Numerical Optimization
• Title（参考訳）: GNBG:連続数値最適化のための一般化・構成可能なベンチマーク生成器
• Authors: Danial Yazdani (1), Mohammad Nabi Omidvar (2), Delaram Yazdani (3), Kalyanmoy Deb (4), and Amir H. Gandomi (1,5) ((1) Faculty of Engineering & Information Technology, University of Technology Sydney, (2) School of Computing, University of Leeds, and Leeds University Business School, (3) Liverpool Logistics, Offshore and Marine (LOOM) Research Institute, Faculty of Engineering and Technology, School of Engineering, Liverpool John Moores University, (4) BEACON Center, Michigan State University, (5) University Research and Innovation Center (EKIK), Obuda University)
• Abstract要約: さまざまな特徴を持つさまざまな問題インスタンスを含むベンチマークテストスイートを使用することが重要です。 従来のベンチマークスイートは、しばしば多数の固定テスト関数で構成されており、これらを特定の研究目的と整合させることが困難である。 本稿では,単目的,ボックス制約,連続的な数値最適化のための一般化数値ベンチマークジェネレータ(GNBG)を提案する。
• 参考スコア（独自算出の注目度）: 5.635586285644365
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As optimization challenges continue to evolve, so too must our tools and understanding. To effectively assess, validate, and compare optimization algorithms, it is crucial to use a benchmark test suite that encompasses a diverse range of problem instances with various characteristics. Traditional benchmark suites often consist of numerous fixed test functions, making it challenging to align these with specific research objectives, such as the systematic evaluation of algorithms under controllable conditions. This paper introduces the Generalized Numerical Benchmark Generator (GNBG) for single-objective, box-constrained, continuous numerical optimization. Unlike existing approaches that rely on multiple baseline functions and transformations, GNBG utilizes a single, parametric, and configurable baseline function. This design allows for control over various problem characteristics. Researchers using GNBG can generate instances that cover a broad array of morphological features, from unimodal to highly multimodal functions, various local optima patterns, and symmetric to highly asymmetric structures. The generated problems can also vary in separability, variable interaction structures, dimensionality, conditioning, and basin shapes. These customizable features enable the systematic evaluation and comparison of optimization algorithms, allowing researchers to probe their strengths and weaknesses under diverse and controllable conditions.
• Abstract（参考訳）: 最適化の課題は進化を続けており、ツールや理解も必要です。 最適化アルゴリズムを効果的に評価、検証、比較するためには、様々な特徴を持つ様々な問題インスタンスを含むベンチマークテストスイートを使用することが重要である。 従来のベンチマークスイートは、多くの固定テスト関数で構成されており、制御可能な条件下でのアルゴリズムの体系的評価など、特定の研究目的と整合させることが困難である。 本稿では,単目的,ボックス制約,連続的な数値最適化のための一般化数値ベンチマークジェネレータ(GNBG)を提案する。 複数のベースライン関数と変換に依存する既存のアプローチとは異なり、GNBGは単一でパラメトリックで設定可能なベースライン関数を使用する。 この設計により、様々な問題特性を制御できる。 GNBGを用いた研究者は、一様関数から多モード関数、様々な局所最適パターン、対称構造から非対称構造に至るまで、幅広い形態的特徴をカバーするインスタンスを生成することができる。 生成する問題は、分離性、可変相互作用構造、次元、条件付け、盆地形状にも変化する。 これらのカスタマイズ可能な機能は最適化アルゴリズムの体系的な評価と比較を可能にし、研究者は多様な制御可能な条件下でその強みと弱みを調べることができる。

関連論文リスト

• A Block-Coordinate Descent EMO Algorithm: Theoretical and Empirical Analysis [17.89683724761454]
  進化的多目的最適化において,ブロック座標降下が効率的である条件が存在するかを検討する。 本稿では,GSEMOのブロックコーディネートバージョンを提案し,その実行時間を標準GSEMOアルゴリズムと比較する。
  論文  参考訳（メタデータ） (2024-04-04T23:50:18Z)
• GNBG-Generated Test Suite for Box-Constrained Numerical Global Optimization [5.804807909435654]
  本論文では,ボックス制約の数値的大域最適化問題インスタンスを24個導入する。 ケースは、様々のモジュラリティ、頑丈さ、対称性、条件付け、可変相互作用構造、盆地の線形性、偽造性など、幅広い問題の特徴をカバーしている。
  論文  参考訳（メタデータ） (2023-12-12T07:40:12Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
  深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。 これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
  論文  参考訳（メタデータ） (2022-10-19T19:04:45Z)
• Multi-Objective Constrained Optimization for Energy Applications via Tree Ensembles [55.23285485923913]
  エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。 場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。 本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
  論文  参考訳（メタデータ） (2021-11-04T20:18:55Z)
• 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)
• Generating Large-scale Dynamic Optimization Problem Instances Using the Generalized Moving Peaks Benchmark [9.109331015600185]
  本論文では, 一般化移動ピークベンチマーク(GMPB)と, 連続的な大規模動的最適化問題に対する問題インスタンスの生成方法について述べる。 15のベンチマーク問題、関連するソースコード、および大規模動的最適化における比較研究と競合のために設計されたパフォーマンス指標を提示する。
  論文  参考訳（メタデータ） (2021-07-23T03:57:50Z)
• Joint Continuous and Discrete Model Selection via Submodularity [1.332560004325655]
  機械学習のモデル選択問題では、意味のある構造を持つ優れたモデルに対する欲求は、典型的には正規化された最適化問題によって表される。 しかし、多くのシナリオでは、数値的に意味のある構造が離散空間において特定され、難しい非最適化問題を引き起こす。 我々は、ロバスト最適化によって動機づけられた特定の問題クラスに対して、単純な連続的あるいは離散的な制約をいかに扱うかを示す。
  論文  参考訳（メタデータ） (2021-02-17T21:14:47Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)
• 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)
• Scalable and Customizable Benchmark Problems for Many-Objective Optimization [0.0]
  我々は多目的問題(MaOP)に対するスケーラブルでカスタマイズ可能なベンチマーク問題のパラメータ化生成器を提案する。 他のベンチマークにある機能を再現する問題や、いくつかの新機能に関する問題を生成することができる。
  論文  参考訳（メタデータ） (2020-01-26T12:39:51Z)

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。