論文の概要: Multiobjective Optimization Analysis for Finding Infrastructure-as-Code
Deployment Configurations
- arxiv url: http://arxiv.org/abs/2401.09983v1
- Date: Thu, 18 Jan 2024 13:55:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 16:36:14.622109
- Title: Multiobjective Optimization Analysis for Finding Infrastructure-as-Code
Deployment Configurations
- Title(参考訳): インフラストラクチャ・アズ・コード配置設定のための多目的最適化解析
- Authors: Eneko Osaba, Josu Diaz-de-Arcaya, Juncal Alonso, Jesus L. Lobo, Gorka
Benguria and I\~naki Etxaniz
- Abstract要約: 本稿では,インフラストラクチャ・アズ・コード配置に関する多目的問題に焦点をあてる。
本稿では,9種類の進化型多目的アルゴリズムについて述べる。
フリードマンの非パラメトリックテストを用いて, 独立ランニング後の各手法の結果を比較した。
- 参考スコア(独自算出の注目度): 0.3774866290142281
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiobjective optimization is a hot topic in the artificial intelligence and
operations research communities. The design and development of multiobjective
methods is a frequent task for researchers and practitioners. As a result of
this vibrant activity, a myriad of techniques have been proposed in the
literature to date, demonstrating a significant effectiveness for dealing with
situations coming from a wide range of real-world areas. This paper is focused
on a multiobjective problem related to optimizing Infrastructure-as-Code
deployment configurations. The system implemented for solving this problem has
been coined as IaC Optimizer Platform (IOP). Despite the fact that a
prototypical version of the IOP has been introduced in the literature before, a
deeper analysis focused on the resolution of the problem is needed, in order to
determine which is the most appropriate multiobjective method for embedding in
the IOP. The main motivation behind the analysis conducted in this work is to
enhance the IOP performance as much as possible. This is a crucial aspect of
this system, deeming that it will be deployed in a real environment, as it is
being developed as part of a H2020 European project. Going deeper, we resort in
this paper to nine different evolutionary computation-based multiobjective
algorithms. For assessing the quality of the considered solvers, 12 different
problem instances have been generated based on real-world settings. Results
obtained by each method after 10 independent runs have been compared using
Friedman's non-parametric tests. Findings reached from the tests carried out
lad to the creation of a multi-algorithm system, capable of applying different
techniques according to the user's needs.
- Abstract(参考訳): 多目的最適化は人工知能と運用研究コミュニティでホットな話題である。
多目的メソッドの設計と開発は、研究者や実践者にとって頻繁な作業である。
この活気ある活動の結果、これまでの文献では無数の技術が提案されており、幅広い現実世界の地域から来る状況に対処するための重要な効果を示している。
本稿では、Infrastructure-as-Codeデプロイメント構成の最適化に関連する多目的問題に焦点をあてる。
この問題を解決するために実装されたシステムはIaC Optimizer Platform (IOP) と呼ばれる。
IOPの原型バージョンが文献に紹介されているにもかかわらず、IOPに埋め込まれた最も適切な多目的手法はどれかを決定するために、問題の解決に焦点を当てたより深い分析が必要である。
この研究で実施された分析の背後にある主な動機は、可能な限りIOPのパフォーマンスを高めることである。
これは、H2020ヨーロッパプロジェクトの一部として開発されているため、実際の環境に展開されると考えられるこのシステムの重要な側面である。
さらに詳しくは、この論文を9つの異なる進化的計算に基づく多目的アルゴリズムに当てはめる。
検討した解法の品質を評価するために,実世界の設定に基づいて12種類の問題インスタンスが生成されている。
フリードマンの非パラメトリックテストを用いて, 独立ランニング後の各手法の結果を比較した。
テストから到達した発見は、ユーザのニーズに応じて異なるテクニックを適用することができるマルチアルゴリズムシステムの作成に遅れて行われた。
関連論文リスト
- Optimizing IaC Configurations: a Case Study Using Nature-inspired
Computing [0.3774866290142281]
本稿では、特定のソフトウェアエンジニアリング問題を解決するために、自然に着想を得た計算をベースとしたツールについて述べる。
IOPのバージョンが以前の研究で説明され、このプラットフォームが導入された。
我々は、IOPが組み込まれている完全なプラットフォーム内でコンテキストを定式化し、ユーザーがその使用によってどのような恩恵を受けることができるかを説明します。
論文 参考訳(メタデータ) (2023-11-15T11:28:00Z) - SEGO: Sequential Subgoal Optimization for Mathematical Problem-Solving [64.38649623473626]
大規模言語モデル(LLM)は人工知能の大幅な進歩を導いた。
数学的問題を解く能力を高めるために,textbfSEquential subtextbfGoal textbfOptimization (SEGO) という新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-19T17:56:40Z) - AbCD: A Component-wise Adjustable Framework for Dynamic Optimization
Problems [49.1574468325115]
動的最適化問題 (DOP) は、常に発生し、現実の応用に共通するフィットネス環境の変化によって特徴づけられる。
我々は、動的問題のための調整可能なコンポーネント(AbCD)と呼ばれるDOPのためのコンポーネント指向フレームワークを開発する。
この結果から,アルゴリズムやコンポーネントの今後の発展に対処する必要があるDOP分野の既存の課題が浮き彫りになる。
論文 参考訳(メタデータ) (2023-10-09T08:11:31Z) - Achieving Diversity in Objective Space for Sample-efficient Search of
Multiobjective Optimization Problems [4.732915763557618]
本稿では,LMS 取得機能を導入し,その挙動と特性を解析し,その実現可能性を示す。
この手法は、意思決定者に対して、将来性のある設計決定の堅牢なプールを提供し、優れたソリューションの空間をよりよく理解するのに役立つ。
論文 参考訳(メタデータ) (2023-06-23T20:42:22Z) - Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。
薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。
GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文 参考訳(メタデータ) (2022-10-23T16:15:36Z) - Joint Entropy Search for Multi-objective Bayesian Optimization [0.0]
本稿では,統合エントロピー探索(Joint Entropy Search)と呼ばれるBOのための情報理論獲得関数を提案する。
本稿では, ハイパーボリュームとその重み付き変種の観点から, 合成および実世界の諸問題に対するこの新しいアプローチの有効性を示す。
論文 参考訳(メタデータ) (2022-10-06T13:19:08Z) - Uncertainty-Aware Search Framework for Multi-Objective Bayesian
Optimization [40.40632890861706]
高価な関数評価を用いたマルチオブジェクト(MO)ブラックボックス最適化の問題点を考察する。
UeMOと呼ばれる新しい不確実性対応検索フレームワークを提案し、評価のための入力シーケンスを効率的に選択する。
論文 参考訳(メタデータ) (2022-04-12T16:50:48Z) - A survey on multi-objective hyperparameter optimization algorithms for
Machine Learning [62.997667081978825]
本稿では,多目的HPOアルゴリズムに関する2014年から2020年にかけての文献を体系的に調査する。
メタヒューリスティック・ベース・アルゴリズムとメタモデル・ベース・アルゴリズム,および両者を混合したアプローチを区別する。
また,多目的HPO法と今後の研究方向性を比較するための品質指標についても論じる。
論文 参考訳(メタデータ) (2021-11-23T10:22:30Z) - A Field Guide to Federated Optimization [161.3779046812383]
フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。
本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
論文 参考訳(メタデータ) (2021-07-14T18:09:08Z) - 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)
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。