論文の概要: A Novel Dual-Stage Evolutionary Algorithm for Finding Robust Solutions

• arxiv url: http://arxiv.org/abs/2401.01070v1
• Date: Tue, 2 Jan 2024 07:08:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 14:35:17.175997
• Title: A Novel Dual-Stage Evolutionary Algorithm for Finding Robust Solutions
• Title（参考訳）: ロバスト解を求めるための新しい二段階進化アルゴリズム
• Authors: Wei Du, Wenxuan Fang, Chen Liang, Yang Tang, Yaochu Jin
• Abstract要約: 二段階ロバスト進化アルゴリズム(DREA)という新しいロバスト進化アルゴリズムを導入する。 DREAは、ピーク検出段階と堅牢な解探索段階の2段階で動作する。 DREAは、多種多様な複雑さを特徴とする18の試験問題において、最先端の5つのアルゴリズムを著しく上回っていることを示す。
• 参考スコア（独自算出の注目度）: 36.39707476926873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In robust optimization problems, the magnitude of perturbations is relatively small. Consequently, solutions within certain regions are less likely to represent the robust optima when perturbations are introduced. Hence, a more efficient search process would benefit from increased opportunities to explore promising regions where global optima or good local optima are situated. In this paper, we introduce a novel robust evolutionary algorithm named the dual-stage robust evolutionary algorithm (DREA) aimed at discovering robust solutions. DREA operates in two stages: the peak-detection stage and the robust solution-searching stage. The primary objective of the peak-detection stage is to identify peaks in the fitness landscape of the original optimization problem. Conversely, the robust solution-searching stage focuses on swiftly identifying the robust optimal solution using information obtained from the peaks discovered in the initial stage. These two stages collectively enable the proposed DREA to efficiently obtain the robust optimal solution for the optimization problem. This approach achieves a balance between solution optimality and robustness by separating the search processes for optimal and robust optimal solutions. Experimental results demonstrate that DREA significantly outperforms five state-of-the-art algorithms across 18 test problems characterized by diverse complexities. Moreover, when evaluated on higher-dimensional robust optimization problems (100-$D$ and 200-$D$), DREA also demonstrates superior performance compared to all five counterpart algorithms.
• Abstract（参考訳）: ロバストな最適化問題では、摂動の大きさは比較的小さい。 したがって、摂動が導入されたとき、ある領域内の解はロバストな最適度を表す可能性が低い。 したがって、より効率的な検索プロセスは、グローバルオプティマや良いローカルオプティマがある有望な地域を探索する機会の増加の恩恵を受けるだろう。 本稿では,ロバスト解の発見を目的とした2段階ロバスト進化アルゴリズム(drea)と呼ばれる新しいロバスト進化アルゴリズムを提案する。 DREAはピーク検出段階と堅牢な解探索段階の2段階で動作する。 ピーク検出ステージの主な目的は、元の最適化問題のフィットネスランドスケープにおけるピークを特定することである。 逆に、ロバスト解探索段階は、初期段階で発見されたピークから得られた情報を用いて、ロバスト最適解を迅速に同定することに焦点を当てている。 これらの2つの段階により,提案手法は最適化問題のロバストな最適解を効率的に得ることができる。 このアプローチは、最適解とロバスト解の探索プロセスを分離することで、解の最適性とロバスト性のバランスを達成する。 実験の結果,DREAは多種多様な複雑さを特徴とする18の試験問題に対して,最先端の5つのアルゴリズムを著しく上回っていることがわかった。 さらに、高次元ロバスト最適化問題(100-D$と200-D$)を評価すると、DREAは5つのアルゴリズムと比較して優れた性能を示す。

関連論文リスト

• Localized Zeroth-Order Prompt Optimization [54.964765668688806]
  そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。 ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。 注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
  論文  参考訳（メタデータ） (2024-03-05T14:18:15Z)
• BalMCTS: Balancing Objective Function and Search Nodes in MCTS for Constraint Optimization Problems [7.196057722218442]
  制約問題最適化(COP)は、通常ブランチ・アンド・バウンド(B&B)法によって解決される問題において、複雑な課題を提起する。 COPを解くための深度優先探索アルゴリズムに基づく新しいニューラルネットワークアルゴリズムを提案する。 提案手法は,最初の5つの実現可能な解のうち17.63%未満のギャップを有する実現可能な解を同定する。
  論文  参考訳（メタデータ） (2023-12-26T03:09:08Z)
• Advancements in Optimization: Adaptive Differential Evolution with Diversification Strategy [0.0]
  この研究は2次元空間において単目的最適化を採用し、複数の反復で各ベンチマーク関数上でADEDSを実行する。 ADEDSは、多くの局所最適化、プレート型、谷型、伸縮型、ノイズの多い機能を含む様々な最適化課題において、標準Dより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-02T10:05:41Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• Two-Stage Stochastic Optimization via Primal-Dual Decomposition and Deep Unrolling [86.85697555068168]
  2段階のアルゴリズム最適化は、様々な工学や科学的応用において重要な役割を果たす。 特に長期変数と短期変数が制約の中で結合されている場合、アルゴリズムは効率的ではない。 PDD-SSCAが既存のソリューションよりも優れたパフォーマンスを達成できることを示します。
  論文  参考訳（メタデータ） (2021-05-05T03:36:00Z)
• Augmenting High-dimensional Nonlinear Optimization with Conditional GANs [0.0]
  本稿では,逆最適化アルゴリズムを補完する生成モデルを提案する。 生成モデルは、オリジナルのソリューションよりも100%優れた多様性を持つソリューションを生成します。 単純なトレーニングアプローチや単純なトレーニングさえも、高次元問題に対する逆アルゴリズムによって見つかる解の多様性と最適性を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2021-02-20T18:07:33Z)
• Deep Reinforcement Learning for Field Development Optimization [0.0]
  本研究の目的は,畳み込みニューラルネットワーク(CNN)深部強化学習(DRL)アルゴリズムをフィールド開発最適化問題に適用することである。 近似ポリシー最適化 (PPO) アルゴリズムは2つのCNNアーキテクチャで様々な層と構成を持つ。 両ネットワークは、ハイブリッド粒子群最適化(PSO-MADS)アルゴリズムと比較して満足な結果をもたらすポリシーを得た。
  論文  参考訳（メタデータ） (2020-08-05T06:26:13Z)
• Distributionally Robust Bayesian Optimization [121.71766171427433]
  そこで本研究では,ゼロ次雑音最適化のための分散ロバストなベイズ最適化アルゴリズム(DRBO)を提案する。 提案アルゴリズムは, 種々の設定において, 線形に頑健な後悔を確実に得る。 提案手法は, 実世界のベンチマークと実世界のベンチマークの両方において, 頑健な性能を示す。
  論文  参考訳（メタデータ） (2020-02-20T22:04:30Z)
• sKPNSGA-II: Knee point based MOEA with self-adaptive angle for Mission Planning Problems [2.191505742658975]
  いくつかの問題には、多くの非支配的な解をもたらす多くの目的がある。 本稿では,最も重要な解を得るために設計された新しいアルゴリズムを提案する。 このアルゴリズムは無人航空機(UAV)ミッション計画問題における実世界の応用に応用されている。
  論文  参考訳（メタデータ） (2020-02-20T17:07:08Z)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。