論文の概要: An Enhanced Differential Grouping Method for Large-Scale Overlapping Problems
- arxiv url: http://arxiv.org/abs/2404.10515v1
- Date: Tue, 16 Apr 2024 12:38:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-17 16:53:59.431795
- Title: An Enhanced Differential Grouping Method for Large-Scale Overlapping Problems
- Title（参考訳）: 大規模重複問題に対する差分群法の改良
- Authors: Maojiang Tian, Mingke Chen, Wei Du, Yang Tang, Yaochu Jin,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 23.17606455044122
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large-scale overlapping problems are prevalent in practical engineering applications, and the optimization challenge is significantly amplified due to the existence of shared variables. Decomposition-based cooperative coevolution (CC) algorithms have demonstrated promising performance in addressing large-scale overlapping problems. However, current CC frameworks designed for overlapping problems rely on grouping methods for the identification of overlapping problem structures and the current grouping methods for large-scale overlapping problems fail to consider both accuracy and efficiency simultaneously. In this article, we propose a two-stage enhanced grouping method for large-scale overlapping problems, called OEDG, which achieves accurate grouping while significantly reducing computational resource consumption. In the first stage, OEDG employs a grouping method based on the finite differences principle to identify all subcomponents and shared variables. In the second stage, we propose two grouping refinement methods, called subcomponent union detection (SUD) and subcomponent detection (SD), to enhance and refine the grouping results. SUD examines the information of the subcomponents and shared variables obtained in the previous stage, and SD corrects inaccurate grouping results. To better verify the performance of the proposed OEDG, we propose a series of novel benchmarks that consider various properties of large-scale overlapping problems, including the topology structure, overlapping degree, and separability. Extensive experimental results demonstrate that OEDG is capable of accurately grouping different types of large-scale overlapping problems while consuming fewer computational resources. Finally, we empirically verify that the proposed OEDG can effectively improve the optimization performance of diverse large-scale overlapping problems.
- Abstract（参考訳）: 大規模重なり合う問題は実用工学的応用においてよく知られており、共有変数の存在により最適化の課題は著しく増幅されている。
分解に基づく協調的共進化(CC)アルゴリズムは大規模重複問題に対処する上で有望な性能を示した。
しかし、重なり合う問題に対して設計された現在のCCフレームワークは、重なり合う問題構造を特定するためのグループ化手法に依存しており、大規模な重なり合う問題に対する現在のグループ化手法は、精度と効率の両方を同時に考慮することができない。
本稿では,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つのグループ化精細化手法を提案し,グループ化結果を向上・改善する。
SUDは、前段階で得られたサブコンポーネントと共有変数の情報を調べ、SDは不正確なグループ化結果を補正する。
提案するOEDGの性能をよりよく検証するために,トポロジ構造,重なり度,分離性など,大規模重複問題の諸特性を考察した,一連の新しいベンチマークを提案する。
OEDGは計算資源を減らしながら、大規模重複問題の種類を正確にグループ化できることを示した。
最後に,提案するOEDGが大規模重複問題の最適化性能を効果的に向上できることを実証的に検証した。
関連論文リスト
- A Composite Decomposition Method for Large-Scale Global Optimization [30.040728803996256]
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。
論文 参考訳（メタデータ） (2024-03-02T12:12:04Z) - Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。
グループDROフレームワークをQ-Diversityを提案して再構築する。
インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
論文 参考訳（メタデータ） (2023-05-20T07:02:27Z) - AGRO: Adversarial Discovery of Error-prone groups for Robust
Optimization [109.91265884632239]
群分散ロバスト最適化(G-DRO)は、トレーニングデータに対する事前定義されたグループのセットに対する最悪の損失を最小限にすることができる。
本稿では、分散ロバスト最適化のためのAGRO -- Adversarial Group Discoveryを提案する。
AGROは、既知の最悪のグループの平均モデルパフォーマンスを8%向上させる。
論文 参考訳（メタデータ） (2022-12-02T00:57:03Z) - 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) - Incremental Recursive Ranking Grouping for Large Scale Global
Optimization [2.8360662552057323]
大規模グローバル最適化(LSGO)では、問題は高次元である。
LSGO問題をサブプロブレムに分解し,個別に最適化することが有効であった。
多くの最先端分解戦略は微分グルーピング(DG)から導かれる。
本稿では,この欠陥に悩まされないインクリメンタル再帰的ランク付けグループ(IRRG)を提案する。
論文 参考訳（メタデータ） (2022-06-08T21:16:42Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-12T06:11:16Z) - Manifold Interpolation for Large-Scale Multi-Objective Optimization via
Generative Adversarial Networks [12.18471608552718]
大規模多目的最適化問題(LSMOP)は、数百から数千の決定変数と複数の矛盾する目的を含むことを特徴とする。
これまでの研究では、これらの最適解は低次元空間の多様体構造に一様に分布していることが示されている。
本研究では, 生成逆数ネットワーク(GAN)に基づく多様体フレームワークを提案し, 多様体を学習し, 高品質な解を生成する。
論文 参考訳（メタデータ） (2021-01-08T09:38:38Z) - AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。
前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。
本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
論文 参考訳（メタデータ） (2020-08-17T13:22:01Z) - Detached Error Feedback for Distributed SGD with Random Sparsification [98.98236187442258]
コミュニケーションのボトルネックは、大規模なディープラーニングにおいて重要な問題である。
非効率な分散問題に対する誤りフィードバックよりも優れた収束性を示す分散誤差フィードバック(DEF)アルゴリズムを提案する。
また、DEFよりも優れた境界を示すDEFの一般化を加速するDEFAを提案する。
論文 参考訳（メタデータ） (2020-04-11T03:50:59Z) - An Eigenspace Divide-and-Conquer Approach for Large-Scale Optimization [9.501723707464432]
ディバイド・アンド・コンカー(DC)の進化的アルゴリズムは、大規模な最適化問題に対処する上で顕著な成功を収めた。
本研究では,固有空間分割・コンカレント(EDC)手法を提案する。
論文 参考訳（メタデータ） (2020-04-05T07:29:44Z)
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。