論文の概要: The Algorithm Configuration Problem
- arxiv url: http://arxiv.org/abs/2403.00898v1
- Date: Fri, 1 Mar 2024 17:29:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 15:54:55.329065
- Title: The Algorithm Configuration Problem
- Title（参考訳）: アルゴリズム構成問題
- Authors: Gabriele Iommazzo, Claudia D'Ambrosio, Antonio Frangioni, Leo Liberti
- Abstract要約: 本稿では、決定/最適化問題の特定事例を解決するためのパラメータ化アルゴリズムの最適化に焦点を当てる。
本稿では,アルゴリズム構成問題の定式化だけでなく,その解決のための様々なアプローチを概説する包括的フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.8075866265341176
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The field of algorithmic optimization has significantly advanced with the
development of methods for the automatic configuration of algorithmic
parameters. This article delves into the Algorithm Configuration Problem,
focused on optimizing parametrized algorithms for solving specific instances of
decision/optimization problems. We present a comprehensive framework that not
only formalizes the Algorithm Configuration Problem, but also outlines
different approaches for its resolution, leveraging machine learning models and
heuristic strategies. The article categorizes existing methodologies into
per-instance and per-problem approaches, distinguishing between offline and
online strategies for model construction and deployment. By synthesizing these
approaches, we aim to provide a clear pathway for both understanding and
addressing the complexities inherent in algorithm configuration.
- Abstract（参考訳）: アルゴリズム最適化の分野はアルゴリズムパラメータの自動設定手法の開発により大きく進歩している。
本稿では、決定/最適化問題の特定の事例を解決するためのパラメータ化アルゴリズムの最適化に焦点を当てたアルゴリズム構成問題について述べる。
本稿では,アルゴリズム構成問題を定式化するだけでなく,機械学習モデルとヒューリスティック戦略を活用し,その解決のための異なるアプローチを概説する包括的フレームワークを提案する。
この記事では、既存の方法論をインスタンス単位とプロブレム単位のアプローチに分類し、モデル構築とデプロイのためのオフラインとオンラインの戦略を区別する。
これらのアプローチを合成することにより、アルゴリズムの構成に固有の複雑さを理解し、対処するための明確な経路を提供することを目指している。
関連論文リスト
- Deep memetic models for combinatorial optimization problems: application to the tool switching problem [0.0]
この研究は、ディープなメタ協調、すなわち、一部のコンポーネントがそれ自身で協調メソッドとなるような協調最適化アルゴリズムの使用に取り組む。
本研究の目的は,このようなモデルが,従来の協調アルゴリズムの代替として有効であることを示すことである。
以上の結果から, 深層モデルでは, メタヒューリスティックスパラメータよりも優れていることが示唆された。
論文 参考訳（メタデータ） (2024-11-04T09:39:03Z) - A Survey of Meta-features Used for Automated Selection of Algorithms for Black-box Single-objective Continuous Optimization [4.173197621837912]
単目的連続ブラックボックス最適化の分野におけるアルゴリズム選択への重要な貢献について概説する。
自動アルゴリズム選択、構成、性能予測のための機械学習モデルについて検討する。
論文 参考訳（メタデータ） (2024-06-08T11:11:14Z) - Deep Reinforcement Learning for Dynamic Algorithm Selection: A
Proof-of-Principle Study on Differential Evolution [27.607740475924448]
本稿では,この課題を実現するための強化学習に基づく動的アルゴリズム選択フレームワークを提案する。
我々は、最適な動作を推測し、アルゴリズムの選択を確実にするために、洗練されたディープニューラルネットワークモデルを用いる。
基礎研究として、この枠組みを微分進化アルゴリズム群に適用する。
論文 参考訳（メタデータ） (2024-03-04T15:40:28Z) - Socio-cognitive Optimization of Time-delay Control Problems using
Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。
本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文 参考訳（メタデータ） (2022-10-23T22:21:10Z) - 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) - Algorithm Selection on a Meta Level [58.720142291102135]
本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。
本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
論文 参考訳（メタデータ） (2021-07-20T11:23:21Z) - An Overview and Experimental Study of Learning-based Optimization
Algorithms for Vehicle Routing Problem [49.04543375851723]
車両ルーティング問題(VRP)は典型的な離散最適化問題である。
多くの研究は、VRPを解決するための学習に基づく最適化アルゴリズムについて検討している。
本稿では、最近のこの分野の進歩を概観し、関連するアプローチをエンドツーエンドアプローチとステップバイステップアプローチに分割する。
論文 参考訳（メタデータ） (2021-07-15T02:13:03Z) - PAMELI: A Meta-Algorithm for Computationally Expensive Multi-Objective
Optimization Problems [0.0]
提案アルゴリズムは,実モデルのモデルによって定義される一連の代理問題の解法に基づく。
また,最適化ランドスケープのための最適なサロゲートモデルとナビゲーション戦略のメタ検索を行う。
論文 参考訳（メタデータ） (2021-03-19T11:18:03Z) - A Two-stage Framework and Reinforcement Learning-based Optimization
Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。
スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。
その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文 参考訳（メタデータ） (2021-03-10T03:16:12Z) - Automatic Generation of Algorithms for Black-Box Robust Optimisation
Problems [0.0]
モデル実行回数に制限がある頑健なブラックボックス最適化問題に対処できるアルゴリズムを開発する。
我々は、Grammar-Guided Genetic Programmingというアルゴリズムの自動生成手法を採用している。
アルゴリズム構築ブロックは既存の手法と新機能の要素を組み合わせることで,新しい解空間を探索する。
論文 参考訳（メタデータ） (2020-04-15T18:51:33Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z)
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。