論文の概要: Using 3-Objective Evolutionary Algorithms for the Dynamic Chance Constrained Knapsack Problem
- arxiv url: http://arxiv.org/abs/2404.06014v1
- Date: Tue, 9 Apr 2024 04:47:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 15:58:48.202186
- Title: Using 3-Objective Evolutionary Algorithms for the Dynamic Chance Constrained Knapsack Problem
- Title（参考訳）: 動的チャンス制約Knapsack問題に対する3目的進化アルゴリズムの適用
- Authors: Ishara Hewa Pathiranage, Frank Neumann, Denis Antipov, Aneta Neumann,
- Abstract要約: 動的制約付き制約付きクナプサック問題に対する3目的進化アルゴリズムの利用について検討する。
動的成分を同時に扱える3つの客観的定式化を導入し,制約に要求される信頼度に依存しない。
本分析では, 動的確率制約クナプサック問題に対処する上で, 2-対象の定式化よりも3-対象の定式化の利点を強調した。
- 参考スコア（独自算出の注目度）: 9.617143859697322
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world optimization problems often involve stochastic and dynamic components. Evolutionary algorithms are particularly effective in these scenarios, as they can easily adapt to uncertain and changing environments but often uncertainty and dynamic changes are studied in isolation. In this paper, we explore the use of 3-objective evolutionary algorithms for the chance constrained knapsack problem with dynamic constraints. In our setting, the weights of the items are stochastic and the knapsack's capacity changes over time. We introduce a 3-objective formulation that is able to deal with the stochastic and dynamic components at the same time and is independent of the confidence level required for the constraint. This new approach is then compared to the 2-objective formulation which is limited to a single confidence level. We evaluate the approach using two different multi-objective evolutionary algorithms (MOEAs), namely the global simple evolutionary multi-objective optimizer (GSEMO) and the multi-objective evolutionary algorithm based on decomposition (MOEA/D), across various benchmark scenarios. Our analysis highlights the advantages of the 3-objective formulation over the 2-objective formulation in addressing the dynamic chance constrained knapsack problem.
- Abstract（参考訳）: 実世界の最適化問題はしばしば確率的および動的成分を含む。
進化的アルゴリズムは、不確実で変化する環境に容易に適応できるため、これらのシナリオで特に効果的であるが、しばしば不確実性や動的変化は独立して研究される。
本稿では,3目的進化的アルゴリズムを動的制約付き制約付きクナプサック問題に適用する。
我々の設定では、アイテムの重量は確率的であり、クナプサックの容量は時間とともに変化する。
確率的および動的成分を同時に扱うことができ、制約に要求される信頼度に依存しない3つの客観的定式化を導入する。
この新しいアプローチは、単一の信頼レベルに制限された2-対象の定式化と比較される。
2つの異なる多目的進化アルゴリズム(MOEA)、すなわちGSEMO(Global simple Evolution Multi-objective Optimizationr)とMOEA/D(MOEA/D)に基づく多目的進化アルゴリズム(MOEA/D)を用いて、様々なベンチマークシナリオにおいてアプローチを評価する。
本分析では, 動的確率制約クナプサック問題に対処する上で, 2-対象の定式化よりも3-対象の定式化の利点を強調した。
関連論文リスト
- Multi-Objective Evolutionary Algorithms with Sliding Window Selection for the Dynamic Chance-Constrained Knapsack Problem [2.5690340428649328]
静的および動的重み制約下での利益を伴うknapsack問題に対する多目的進化的アプローチを提案する。
我々は、期待される利益を最大化し、分散を最小化する双方向の定式化を考える。
重み制約を緩和して3目的の定式化を導出する。
論文 参考訳（メタデータ） (2024-04-12T03:07:15Z) - Distributionally Robust Model-based Reinforcement Learning with Large
State Spaces [55.14361269378122]
強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。
広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。
本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-05T13:42:11Z) - Multiobjective Evolutionary Component Effect on Algorithm behavior [0.04588028371034406]
パフォーマンス改善につながる最も影響力のあるコンポーネントは何かは不明だ。
この手法を,反復レース (irace) 構成パッケージによって設計された分解(MOEA/D)に基づくチューニング多目的進化アルゴリズムに適用する。
本稿では,検索トラジェクトリ・ネットワーク(STN),人口の多様性,時空の超体積値について,アルゴリズム成分の影響を比較した。
論文 参考訳（メタデータ） (2023-07-31T16:02:56Z) - Three-Way Trade-Off in Multi-Objective Learning: Optimization,
Generalization and Conflict-Avoidance [47.42067405054353]
MOL(Multi-objective Learning)は、機械学習の新興問題においてしばしば発生する問題である。
MOLにおける重要な課題の1つは、反復最適化プロセスにおける異なる目的間の潜在的な衝突である。
近年,MGDAやその変種など,MOLの動的重み付けアルゴリズムが開発されている。
論文 参考訳（メタデータ） (2023-05-31T17:31:56Z) - Evolutionary Multi-Objective Algorithms for the Knapsack Problems with
Stochastic Profits [13.026567958569965]
我々は、ある商品の利益に対する一定の信頼を保証するため、利益を伴うknapsack問題のバージョンを検討する。
利益率制約付きクナップサック問題の多目的定式化を導入し, 両目的性評価法を3つ設計する。
両設定のベンチマークにおいて,提案手法の有効性を示す。
論文 参考訳（メタデータ） (2023-03-03T03:28:51Z) - Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。
シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
論文 参考訳（メタデータ） (2022-09-15T07:22:58Z) - Multi-objective hyperparameter optimization with performance uncertainty [62.997667081978825]
本稿では,機械学習アルゴリズムの評価における不確実性を考慮した多目的ハイパーパラメータ最適化の結果について述べる。
木構造型Parzen Estimator(TPE)のサンプリング戦略と、ガウス過程回帰(GPR)と異種雑音の訓練後に得られたメタモデルを組み合わせる。
3つの解析的テスト関数と3つのML問題の実験結果は、多目的TPEとGPRよりも改善したことを示している。
論文 参考訳（メタデータ） (2022-09-09T14:58:43Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z) - Single- and Multi-Objective Evolutionary Algorithms for the Knapsack
Problem with Dynamically Changing Constraints [13.896724650508087]
古典的knapsack問題に対する単目的・多目的ベースライン進化アルゴリズムについて検討する。
この結果から, 動的変化を考慮に入れた集団を用いた多目的アプローチは, 多くのベンチマークシナリオにおいて明らかな優位性を有することが示された。
論文 参考訳（メタデータ） (2020-04-27T03:50:24Z) - Evolutionary Bi-objective Optimization for the Dynamic
Chance-Constrained Knapsack Problem Based on Tail Bound Objectives [12.634782111072585]
本稿では,各項目の重みが容量制約の対象となる動的チャンス制約knapsack問題について考察する。
目的は、総重量がキャパシティを超える確率に基づく総利益を最大化することである。
与えられた解に対する最小限のキャパシティを見積もる追加の目的を導入する。
論文 参考訳（メタデータ） (2020-02-17T04:36:15Z)
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。