論文の概要: JCLEC-MO: a Java suite for solving many-objective optimization engineering problems

• arxiv url: http://arxiv.org/abs/2402.18616v1
• Date: Wed, 28 Feb 2024 17:38:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-01 17:00:58.404557
• Title: JCLEC-MO: a Java suite for solving many-objective optimization engineering problems
• Title（参考訳）: JCLEC-MO:多目的最適化エンジニアリング問題を解決するJavaスイート
• Authors: Aurora Ram\'irez and Jos\'e Ra\'ul Romero and Carlos Garc\'ia-Mart\'inez and Sebasti\'an Ventura
• Abstract要約: 本稿では,多目的最適化と多目的最適化のためのJavaフレームワークであるJCLEC-MOを紹介する。 エンジニアは、コーディングをほとんど行わずに、多数の多目的アルゴリズムを適用したり、適用したりすることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although metaheuristics have been widely recognized as efficient techniques to solve real-world optimization problems, implementing them from scratch remains difficult for domain-specific experts without programming skills. In this scenario, metaheuristic optimization frameworks are a practical alternative as they provide a variety of algorithms composed of customized elements, as well as experimental support. Recently, many engineering problems require to optimize multiple or even many objectives, increasing the interest in appropriate metaheuristic algorithms and frameworks that might integrate new specific requirements while maintaining the generality and reusability principles they were conceived for. Based on this idea, this paper introduces JCLEC-MO, a Java framework for both multi- and many-objective optimization that enables engineers to apply, or adapt, a great number of multi-objective algorithms with little coding effort. A case study is developed and explained to show how JCLEC-MO can be used to address many-objective engineering problems, often requiring the inclusion of domain-specific elements, and to analyze experimental outcomes by means of conveniently connected R utilities.
• Abstract（参考訳）: メタヒューリスティクスは現実世界の最適化問題を解決する効率的な手法として広く認識されているが、プログラミングスキルを持たないドメイン固有の専門家にとって、それらをスクラッチから実装することは難しい。 このシナリオでは、メタヒューリスティック最適化フレームワークは、カスタマイズされた要素からなる様々なアルゴリズムと実験的なサポートを提供するため、実用的な代替手段である。 近年、多くのエンジニアリング問題は、複数の目的またはそれ以上の目標を最適化することを必要としており、彼らが考案した汎用性と再利用可能性の原則を維持しつつ、新しい特定の要求を統合する適切なメタヒューリスティックなアルゴリズムやフレームワークへの関心を高めている。 本稿では,JCLEC-MOを提案する。JCLEC-MOは多目的最適化と多目的最適化のためのJavaフレームワークで,技術者がほとんどコーディングを行なわずに多数の多目的アルゴリズムを適用あるいは適用することができる。 jclec-moが多目的工学的問題にどのように対処できるか,ドメイン固有の要素の包含をしばしば必要とし,かつ,便利な接続型rユーティリティを用いて実験結果を分析するために,ケーススタディが開発,説明されている。

関連論文リスト

• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• Multiobjective Optimization Analysis for Finding Infrastructure-as-Code Deployment Configurations [0.3774866290142281]
  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。
  論文  参考訳（メタデータ） (2024-01-18T13:55:32Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• 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)
• Multi-objective optimisation via the R2 utilities [4.12484724941528]
  本稿では,多目的最適化問題を集合上で定義された単目的最適化問題に再キャストする方法を示す。 この新しい問題に対する目的関数の適切なクラスは、スカラー化された最適化問題に対する重み付き積分として定義されるユーティリティ関数であるR2ユーティリティである。 次に、これらの欲求的アルゴリズムの性能を理論的にも経験的にも分析する。
  論文  参考訳（メタデータ） (2023-05-19T16:01:35Z)
• A Study of Scalarisation Techniques for Multi-Objective QUBO Solving [0.0]
  量子および量子に着想を得た最適化アルゴリズムは、学術ベンチマークや実世界の問題に適用した場合に有望な性能を示す。 しかし、QUBOソルバは単目的解法であり、複数の目的による問題の解法をより効率的にするためには、そのような多目的問題を単目的問題に変換する方法を決定する必要がある。
  論文  参考訳（メタデータ） (2022-10-20T14:54:37Z)
• Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
  本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。 性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
  論文  参考訳（メタデータ） (2022-05-03T07:54:56Z)
• pysamoo: Surrogate-Assisted Multi-Objective Optimization in Python [7.8140593450932965]
  pysamooは計算コストの高い最適化問題を解決するためのフレームワークである。 pysamooは、時間を要する評価機能に関わる問題に対処する複数の最適化方法を提供する。 pysamooの詳細については、Anyoptimization.com/projects/pysamooを参照してほしい。
  論文  参考訳（メタデータ） (2022-04-12T14:55:57Z)
• Multi-Objective Quality Diversity Optimization [2.4608515808275455]
  MOME(Multi-Objective MAP-Elites)の多目的設定におけるMAP-Elitesアルゴリズムの拡張を提案する。 すなわち、MAP-Elitesグリッドアルゴリズムから受け継いだ多様性と、多目的最適化の強みを組み合わせる。 本手法は,標準的な最適化問題からロボットシミュレーションまで,いくつかのタスクで評価する。
  論文  参考訳（メタデータ） (2022-02-07T10:48:28Z)
• 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)
• 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。