論文の概要: Metaheuristics for (Variable-Size) Mixed Optimization Problems: A Unified Taxonomy and Survey

• arxiv url: http://arxiv.org/abs/2401.03880v1
• Date: Mon, 8 Jan 2024 13:24:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 16:29:44.556665
• Title: Metaheuristics for (Variable-Size) Mixed Optimization Problems: A Unified Taxonomy and Survey
• Title（参考訳）: 可変サイズの)混合最適化問題のメタヒューリスティックス:統一分類とサーベイ
• Authors: Prof. El-Ghazali Talbi
• Abstract要約: 混合変数最適化問題(MVOP)は連続変数と離散変数の両方を含む。 変数サイズのMVOP(VMVOP)は、メタヒューリスティックスの設計において、解決が困難であり、多くの科学的課題を提起する。 本稿では,(V)MVOPの解法としてメタヒューリスティックな解を統一した分類法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Many real world optimization problems are formulated as mixed-variable optimization problems (MVOPs) which involve both continuous and discrete variables. MVOPs including dimensional variables are characterized by a variable-size search space. Depending on the values of dimensional variables, the number and type of the variables of the problem can vary dynamically. MVOPs and variable-size MVOPs (VMVOPs) are difficult to solve and raise a number of scientific challenges in the design of metaheuristics. Standard metaheuristics have been first designed to address continuous or discrete optimization problems, and are not able to tackle (V)MVOPs in an efficient way. The development of metaheuristics for solving such problems has attracted the attention of many researchers and is increasingly popular. However, to our knowledge there is no well established taxonomy and comprehensive survey for handling this important family of optimization problems. This paper presents a unified taxonomy for metaheuristic solutions for solving (V)MVOPs in an attempt to provide a common terminology and classification mechanisms. It provides a general mathematical formulation and concepts of (V)MVOPs, and identifies the various solving methodologies than can be applied in metaheuristics. The advantages, the weaknesses and the limitations of the presented methodologies are discussed. The proposed taxonomy also allows to identify some open research issues which needs further in-depth investigations.
• Abstract（参考訳）: 多くの実世界の最適化問題は、連続変数と離散変数の両方を含む混合変数最適化問題(MVOP)として定式化されている。 次元変数を含むMVOPは、変数サイズの探索空間によって特徴づけられる。 次元変数の値に依存すると、問題の変数の数と型は動的に変化する。 MVOPと変数サイズのMVOP(VMVOP)は、メタヒューリスティックスの設計において解決が困難であり、多くの科学的課題を提起する。 標準的なメタヒューリスティックは、まず連続的あるいは離散的な最適化問題に対処するために設計され、効率的な方法で(V)MVOPに対処できない。 このような問題を解決するメタヒューリスティックスの開発は多くの研究者の注目を集め、人気が高まっている。 しかし、我々の知る限り、この重要な最適化問題を扱うための分類学や総合的な調査は確立されていない。 本稿では,メタヒューリスティックな解の解法として(V)MVOPを統一した分類法を提案する。 これは(V)MVOPの一般的な数学的定式化と概念を提供し、メタヒューリスティックスで適用できるような様々な解法を識別する。 提案手法の利点,弱点,限界について論じる。 提案された分類法はまた、さらなる詳細な調査を必要とするいくつかのオープンな研究課題を特定できる。

関連論文リスト

• Unraveling the Versatility and Impact of Multi-Objective Optimization: Algorithms, Applications, and Trends for Solving Complex Real-World Problems [4.023511716339818]
  マルチオブジェクト最適化(MOO)技術は近年ますます人気が高まっている。 本稿では,最近開発されたMOOアルゴリズムについて検討する。 実世界のケーススタディでは、MOOアルゴリズムは複雑な意思決定課題に対処する。
  論文  参考訳（メタデータ） (2024-06-29T15:19:46Z)
• Towards Multi-Objective High-Dimensional Feature Selection via Evolutionary Multitasking [63.91518180604101]
  本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。 タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
  論文  参考訳（メタデータ） (2024-01-03T06:34:39Z)
• Pre-Evolved Model for Complex Multi-objective Optimization Problems [3.784829029016233]
  多目的最適化問題(MOP)は、複数の目的の同時最適化を必要とする。 本稿では、MOEAが多様な複雑なMOPに対して高品質な人口を生み出すための事前進化の概念を提案する。
  論文  参考訳（メタデータ） (2023-12-11T05:16:58Z)
• Numerical Methods for Convex Multistage Stochastic Optimization [86.45244607927732]
  最適化プログラミング(SP)、最適制御(SOC)、決定プロセス(MDP)に焦点を当てる。 凸多段マルコフ問題の解決の最近の進歩は、動的プログラミング方程式のコスト対ゴー関数の切断面近似に基づいている。 切削平面型法は多段階問題を多段階的に扱えるが、状態(決定)変数は比較的少ない。
  論文  参考訳（メタデータ） (2023-03-28T01:30:40Z)
• 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)
• Solving Large-Scale Multi-Objective Optimization via Probabilistic Prediction Model [10.916384208006157]
  効率的なLSMOPアルゴリズムは、巨大な検索空間から局所最適解を逃れる能力を持つべきである。 人口の多様性を維持することは、探索効率を向上させる効果的な方法の1つである。 LSMOP に取り組むために,トレンド予測モデルと LT-PPM と呼ばれる生成フィルタ戦略に基づく確率的予測モデルを提案する。
  論文  参考訳（メタデータ） (2021-07-16T09:43:35Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Multi-Space Evolutionary Search for Large-Scale Optimization [31.592330078642828]
  本稿では,大規模最適化問題を解くための既存の進化的探索法を強化するために,多空間進化探索という新しい探索パラダイムを提案する。 提案したパラダイムは、問題の分解性や決定変数の間に特定の関係が存在するなど、関心の大規模最適化問題に関する仮定をしない。
  論文  参考訳（メタデータ） (2021-02-23T13:50:09Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• Bayesian optimization of variable-size design space problems [0.0]
  このタイプの最適化問題を解決するために,ベイズ最適化に基づく2つのアプローチが提案されている。 最初のアプローチは、最も有望な設計サブスペースに計算予算を集中させるための予算配分戦略である。 第二のアプローチは、部分的に異なる変数の集合によって特徴づけられるサンプル間の共分散を計算することができるカーネル関数の定義に基づいている。
  論文  参考訳（メタデータ） (2020-03-06T16:30:44Z)

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。