論文の概要: A Composite Decomposition Method for Large-Scale Global Optimization
- arxiv url: http://arxiv.org/abs/2403.01192v2
- Date: Fri, 8 Mar 2024 15:18:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 22:14:21.266222
- Title: A Composite Decomposition Method for Large-Scale Global Optimization
- Title（参考訳）: 大規模グローバル最適化のための複合分解法
- Authors: Maojiang Tian, Minyang Chen, Wei Du, Yang Tang, Yaochu Jin, Gary G.
Yen
- Abstract要約: グループ化の効率性と精度は最適化プロセスの性能に大きく影響した。
本稿では,GSG法をシームレスに統合したCSG法を提案する。
CSGはGSGや最先端DGシリーズの設計と比較して計算量が少なく、より正確な変数グループ化を実現している。
- 参考スコア（独自算出の注目度）: 30.040728803996256
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cooperative co-evolution (CC) algorithms, based on the divide-and-conquer
strategy, have emerged as the predominant approach to solving large-scale
global optimization (LSGO) problems. The efficiency and accuracy of the
grouping stage significantly impact the performance of the optimization
process. While the general separability grouping (GSG) method has overcome the
limitation of previous differential grouping (DG) methods by enabling the
decomposition of non-additively separable functions, it suffers from high
computational complexity. To address this challenge, this article proposes a
composite separability grouping (CSG) method, seamlessly integrating DG and GSG
into a problem decomposition framework to utilize the strengths of both
approaches. CSG introduces a step-by-step decomposition framework that
accurately decomposes various problem types using fewer computational
resources. By sequentially identifying additively, multiplicatively and
generally separable variables, CSG progressively groups non-separable variables
by recursively considering the interactions between each non-separable variable
and the formed non-separable groups. Furthermore, to enhance the efficiency and
accuracy of CSG, we introduce two innovative methods: a multiplicatively
separable variable detection method and a non-separable variable grouping
method. These two methods are designed to effectively detect multiplicatively
separable variables and efficiently group non-separable variables,
respectively. Extensive experimental results demonstrate that CSG achieves more
accurate variable grouping with lower computational complexity compared to GSG
and state-of-the-art DG series designs.
- Abstract（参考訳）: 大規模グローバル最適化 (LSGO) 問題を解く主要なアプローチとして, 配当戦略に基づく協調的共進化 (CC) アルゴリズムが登場している。
グループ化の効率性と精度は最適化プロセスの性能に大きく影響した。
一般分離性グルーピング(GSG)法は、非加法的に分離可能な関数の分解を可能にすることで、従来の微分グルーピング(DG)法の限界を克服しているが、高い計算複雑性に悩まされている。
そこで本稿では,両手法の長所を利用する問題分解フレームワークにdgとgsgをシームレスに統合した複合分離性グループ化(csg)手法を提案する。
CSGは計算資源の少ない様々な問題を正確に分解するステップバイステップ分解フレームワークを導入している。
加法的、乗法的、そして一般に分離変数を逐次同定することにより、CSGは、各非分離変数と生成した非分離群の間の相互作用を再帰的に考慮して、非分離変数を段階的にグループ化する。
さらに,CSGの効率性と精度を向上させるために,乗法的分離変数検出法と非分離変数グループ化法という2つの革新的な手法を導入する。
これらの2つの方法は、乗法的に分離可能な変数を効果的に検出し、非分離変数を効率的にグループ化するように設計されている。
CSG は GSG や最先端DG シリーズよりも計算複雑性の低い,より正確な変数グループ化を実現している。
関連論文リスト
- $ψ$DAG: Projected Stochastic Approximation Iteration for DAG Structure Learning [6.612096312467342]
Directed A Graphs (DAGs) の構造を学ぶことは、ノード数に応じてスケールする可能なグラフの巨大な検索空間のため、大きな課題となる。
近年の進歩は、微分可能指数関数性制約を取り入れた連続最適化タスクとしてこの問題を再定義している。
本稿では,SGD(Gradient Descent)に基づく最適化手法と統合した近似手法を用いて,DAGを学習する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） (2024-10-31T12:13:11Z) - An Enhanced Differential Grouping Method for Large-Scale Overlapping Problems [23.17606455044122]
OEDGと呼ばれる大規模重複問題に対する2段階強化グループ化手法を提案する。
第一段階では、OEDGは有限差分原理に基づくグループ化法を用いて、すべての部分成分と共有変数を識別する。
第2段階では,サブコンポーネント結合検出 (SUD) とサブコンポーネント検出 (SD) という2つのグループ化改善手法を提案し,グループ化結果を向上・改善する。
論文 参考訳（メタデータ） (2024-04-16T12:38:03Z) - ALEXR: An Optimal Single-Loop Algorithm for Convex Finite-Sum Coupled Compositional Stochastic Optimization [53.14532968909759]
ALEXRと呼ばれる,効率的な単ループプリマルデュアルブロックコーディネートアルゴリズムを提案する。
本研究では, ALEXR の凸面および強凸面の収束速度を滑らか性および非滑らか性条件下で確立する。
本稿では,ALEXRの収束速度が,検討されたcFCCO問題に対する1次ブロック座標アルゴリズムの中で最適であることを示すために,より低い複雑性境界を示す。
論文 参考訳（メタデータ） (2023-12-04T19:00:07Z) - Achieving Sample and Computational Efficient Reinforcement Learning by
Action Space Reduction via Grouping [7.691755449724638]
強化学習は、しばしば高次元空間における状態や行動の指数的な成長に対処する必要がある。
我々は、動作に類似したMDPの固有の構造を学び、性能劣化とサンプル/計算の複雑さを適切にバランスさせる。
論文 参考訳（メタデータ） (2023-06-22T15:40:10Z) - Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。
微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
論文 参考訳（メタデータ） (2023-02-24T18:41:48Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳（メタデータ） (2022-09-27T19:04:36Z) - Cooperative coevolutionary hybrid NSGA-II with Linkage Measurement
Minimization for Large-scale Multi-objective optimization [3.274290296343038]
大規模多目的問題(LSMOP)に対する協調的共進化に基づく可変グルーピング法を提案する。
サブプロブレム最適化段階では,推定収束点に基づくガウスサンプリング演算子を用いたハイブリッドNSGA-IIを提案する。
論文 参考訳（メタデータ） (2022-08-29T08:18:15Z) - Late Fusion Multi-view Clustering via Global and Local Alignment
Maximization [61.89218392703043]
マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。
既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。
これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
論文 参考訳（メタデータ） (2022-08-02T01:49:31Z) - The Benefits of Implicit Regularization from SGD in Least Squares
Problems [116.85246178212616]
勾配降下(SGD)はアルゴリズム正則化効果が強い。
我々は、(正規化されていない)平均SGDで得られる暗黙の正則化とリッジ回帰の明示的な正則化の比較を行う。
論文 参考訳（メタデータ） (2021-08-10T09:56:47Z) - Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian
Modeling [68.69431580852535]
サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。
我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。
我々は2つの異なる社会問題に対してアルゴリズムを実行する。
論文 参考訳（メタデータ） (2021-07-07T03:57:22Z) - Feature Grouping and Sparse Principal Component Analysis [23.657672812296518]
Grouping and Sparse principal Analysis (SPCA) はデータ処理次元の削減に広く利用されている。
FGSPCAは、荷重が不均一な同種群に属することを許容し、空間性は特別な場合である。
論文 参考訳（メタデータ） (2021-06-25T15:08:39Z)
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。