論文の概要: Efficient anytime algorithms to solve the bi-objective Next Release Problem

• arxiv url: http://arxiv.org/abs/2402.04586v1
• Date: Wed, 7 Feb 2024 05:03:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-08 16:39:22.914409
• Title: Efficient anytime algorithms to solve the bi-objective Next Release Problem
• Title（参考訳）: bi-objective next release 問題を解決するための効率的なanytimeアルゴリズム
• Authors: Miguel \'Angel Dom\'inguez-R\'ios, Francisco Chicano, Enrique Alba, Isabel Mar\'ia del \'Aguila, Jos\'e del Sagrado
• Abstract要約: 次のリリース問題は、ソフトウェア製品の次のリリースで開発する要件のサブセットを選択することです。 そこで我々は,探索中いつでもよく分散されたソリューション群を維持できる5つの新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 2.8148957592979422
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Next Release Problem consists in selecting a subset of requirements to develop in the next release of a software product. The selection should be done in a way that maximizes the satisfaction of the stakeholders while the development cost is minimized and the constraints of the requirements are fulfilled. Recent works have solved the problem using exact methods based on Integer Linear Programming. In practice, there is no need to compute all the efficient solutions of the problem; a well-spread set in the objective space is more convenient for the decision maker. The exact methods used in the past to find the complete Pareto front explore the objective space in a lexicographic order or use a weighted sum of the objectives to solve a single-objective problem, finding only supported solutions. In this work, we propose five new methods that maintain a well-spread set of solutions at any time during the search, so that the decision maker can stop the algorithm when a large enough set of solutions is found. The methods are called anytime due to this feature. They find both supported and non-supported solutions, and can complete the whole Pareto front if the time provided is long enough.
• Abstract（参考訳）: 次のリリースの問題は、ソフトウェア製品の次のリリースで開発する要件のサブセットを選択することにあります。 選択は、開発コストを最小化し、要件の制約を満たしながら、ステークホルダーの満足度を最大化する方法で行うべきです。 近年,整数線形計画法に基づく厳密解法が提案されている。 現実には、問題の効率的な解を全て計算する必要はなく、客観的な空間における十分なスプレッドセットは、意思決定者にとってより便利である。 完全なパレートフロントを見つけるために過去に用いられた厳密な手法は、対象空間を辞書順に探索するか、目的の重み付け和を使って単一目的の問題を解決する。 そこで本研究では,探索中いつでも適切な解集合を維持する5つの新しい手法を提案し,十分な数の解集合が見つかると,決定者がアルゴリズムを止めることができるようにした。 この機能によりメソッドはいつでも呼び出される。 サポートされたソリューションとサポートされていないソリューションの両方を見つけ、提供された時間が十分長いならば、Paretoフロント全体を完成させることができます。

関連論文リスト

• Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
  厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。 本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。 提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
  論文  参考訳（メタデータ） (2024-11-04T15:17:19Z)
• Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
  本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。 赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-06-21T05:57:08Z)
• PMGDA: A Preference-based Multiple Gradient Descent Algorithm [12.600588000788214]
  マルチタスク学習のような、多くの多目的機械学習アプリケーションにおいて、意思決定者の所定の好みに合ったソリューションを見つけることが望ましい。 本稿では,意思決定者の好みに合ったソリューションを見つけるための,新しい予測と修正のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-14T11:27:31Z)
• Multi-objective QUBO Solver: Bi-objective Quadratic Assignment [0.0]
  商用QUBOソルバを多目的ソルバとしてサポートするアルゴリズムを拡張した最初の試みを示す。 提案した多目的DAアルゴリズムは、二目的の二次割当て問題に対して検証される。
  論文  参考訳（メタデータ） (2022-05-26T14:48:03Z)
• 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)
• A Mutual Information Maximization Approach for the Spurious Solution Problem in Weakly Supervised Question Answering [60.768146126094955]
  弱々しい教師付き質問応答は通常、最終的な答えのみを監督信号として持つ。 偶然に正解を導出する刺激的な解が多数存在するかもしれないが、そのような解の訓練はモデルの性能を損なう可能性がある。 本稿では,質問応答対と予測解間の相互情報の最大化により,このような意味的相関を明示的に活用することを提案する。
  論文  参考訳（メタデータ） (2021-06-14T05:47:41Z)
• Instance Specific Approximations for Submodular Maximization [45.91235224228292]
  実世界のインスタンス上で最適な解に対して,アルゴリズムの性能をベンチマークする手法を模索する。 大きな疑問は、実際に遭遇したインスタンスの最適なソリューションと比較して、アルゴリズムのパフォーマンスを測定する方法です。 我々の主な貢献は、サブモジュラー最小化のための新しいアルゴリズムではなく、サブモジュラーインスタンスのアルゴリズムがいかに最適かを測定する分析手法である。
  論文  参考訳（メタデータ） (2021-02-23T19:39:32Z)
• Solution Subset Selection for Final Decision Making in Evolutionary Multi-Objective Optimization [7.745468825770201]
  最終的な意思決定の観点から,サブセットの選択について論じる。 定式化関数はIGD+インジケータと同じであることを示す。
  論文  参考訳（メタデータ） (2020-06-15T06:26:58Z)
• 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)
• Pareto Multi-Task Learning [53.90732663046125]
  マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。 異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。 近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
  論文  参考訳（メタデータ） (2019-12-30T08:58:40Z)

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。