論文の概要: A Survey of Decomposition-Based Evolutionary Multi-Objective Optimization: Part I-Past and Future
- arxiv url: http://arxiv.org/abs/2404.14571v1
- Date: Mon, 22 Apr 2024 20:34:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-24 17:48:00.535846
- Title: A Survey of Decomposition-Based Evolutionary Multi-Objective Optimization: Part I-Past and Future
- Title(参考訳): 分解に基づく進化的多目的最適化に関する調査研究 : その1-過去と未来
- Authors: Ke Li,
- Abstract要約: 進化的多目的最適化の文脈では分解は適切に研究されなかった。
MoEA/Dは、この領域の最新の開発をレビューするために、分解ベースのEMOの代表である。
第1部では,MOEA/Dの発展を起源から現在までの包括的調査を行う。
最終段階では、今後の発展に向けての新たな方向性に光を当てています。
- 参考スコア(独自算出の注目度): 5.074835777266041
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Decomposition has been the mainstream approach in classic mathematical programming for multi-objective optimization and multi-criterion decision-making. However, it was not properly studied in the context of evolutionary multi-objective optimization (EMO) until the development of multi-objective evolutionary algorithm based on decomposition (MOEA/D). In this two-part survey series, we use MOEA/D as the representative of decomposition-based EMO to review the up-to-date development in this area, and systematically and comprehensively analyze its research landscape. In the first part, we present a comprehensive survey of the development of MOEA/D from its origin to the current state-of-the-art approaches. In order to be self-contained, we start with a step-by-step tutorial that aims to help a novice quickly get onto the working mechanism of MOEA/D. Then, selected major developments of MOEA/D are reviewed according to its core design components including weight vector settings, subproblem formulations, selection mechanisms and reproduction operators. Besides, we also overview some selected advanced topics for constraint handling, optimization in dynamic and uncertain environments, computationally expensive objective functions, and preference incorporation. In the final part, we shed some light on emerging directions for future developments.
- Abstract(参考訳): 分解は、多目的最適化と多条件決定のための古典的な数学的プログラミングにおける主流のアプローチである。
しかし、進化的多目的最適化(EMO)の文脈では、分解(MOEA/D)に基づく多目的進化アルゴリズムが開発されるまで、適切に研究されなかった。
本シリーズでは, 分解型EMOの代表としてMOEA/Dを用いて, この領域の最新の開発状況を概観し, 研究状況の体系的, 包括的分析を行う。
第1部では,MOEA/Dの発展を起源から現在までの包括的調査を行う。
自己完結するために、初心者がMOEA/Dの動作メカニズムに素早く到達できるよう、ステップバイステップのチュートリアルから始めます。
次に, 重みベクトル設定, サブプロブレム定式化, 選択機構, 再生演算子など, 基本設計要素に従ってMOEA/Dの選定を概観する。
さらに、制約処理、動的で不確実な環境における最適化、計算に高価な目的関数、優先的インクルージョンなど、先進的なトピックを概説する。
最終段階では、今後の発展に向けての新たな方向性に光を当てています。
関連論文リスト
- Generative AI Agent for Next-Generation MIMO Design: Fundamentals, Challenges, and Vision [76.4345564864002]
次世代の多重入力多重出力(MIMO)はインテリジェントでスケーラブルであることが期待される。
本稿では、カスタマイズされた特殊コンテンツを生成することができる生成型AIエージェントの概念を提案する。
本稿では、生成AIエージェントをパフォーマンス分析に活用することの有効性を示す2つの説得力のあるケーススタディを示す。
論文 参考訳(メタデータ) (2024-04-13T02:39:36Z) - A match made in consistency heaven: when large language models meet
evolutionary algorithms [51.087936554483804]
事前訓練された大規模言語モデル(LLM)は、創造的な自然言語を生成する強力な能力を持つ。
進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。
テキストシーケンスの生成と進化の共通の集合性と方向性に動機づけられた本論文は,LLMとEAの強い一貫性を示す。
論文 参考訳(メタデータ) (2024-01-19T05:58:30Z) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳(メタデータ) (2023-12-29T08:42:10Z) - Pre-Evolved Model for Complex Multi-objective Optimization Problems [3.784829029016233]
多目的最適化問題(MOP)は、複数の目的の同時最適化を必要とする。
本稿では、MOEAが多様な複雑なMOPに対して高品質な人口を生み出すための事前進化の概念を提案する。
論文 参考訳(メタデータ) (2023-12-11T05:16:58Z) - Let's reward step by step: Step-Level reward model as the Navigators for
Reasoning [64.27898739929734]
Process-Supervised Reward Model (PRM)は、トレーニングフェーズ中にステップバイステップのフィードバックをLLMに提供する。
LLMの探索経路を最適化するために,PRMからのステップレベルのフィードバックを応用した欲求探索アルゴリズムを提案する。
提案手法の汎用性を探るため,コーディングタスクのステップレベル報酬データセットを自動生成する手法を開発し,コード生成タスクにおける同様の性能向上を観察する。
論文 参考訳(メタデータ) (2023-10-16T05:21:50Z) - A Survey of Contextual Optimization Methods for Decision Making under
Uncertainty [47.73071218563257]
この記事では、データからポリシーを学ぶための3つの主要なフレームワークを特定し、その強みと限界について論じる。
統一的な表記と用語の下で既存のモデルとメソッドを示し、これらを3つの主要なフレームワークに従って分類する。
論文 参考訳(メタデータ) (2023-06-17T15:21:02Z) - A Survey on Learnable Evolutionary Algorithms for Scalable
Multiobjective Optimization [0.0]
多目的進化アルゴリズム(MOEA)は、様々な多目的最適化問題(MOP)を解決するために採用されている。
しかし、これらの進歩的に改善されたMOEAは、必ずしも高度にスケーラブルで学習可能な問題解決戦略を備えていない。
異なるシナリオの下では、効果的に解決するための新しい強力なMOEAを設計する必要がある。
MOPをスケールアップするための機械学習技術で自身を操る学習可能なMOEAの研究は、進化計算の分野で広く注目を集めている。
論文 参考訳(メタデータ) (2022-06-23T08:16:01Z) - Decomposition Multi-Objective Evolutionary Optimization: From
State-of-the-Art to Future Opportunities [5.760976250387322]
本報告では,MOEA/Dの原点から現状への展開について概説する。
MOEA/Dの選定された主要な開発は、そのコア設計コンポーネントに従ってレビューされる。
今後の発展に向けて、新たな方向性に光を当てた。
論文 参考訳(メタデータ) (2021-08-21T22:21:44Z) - Optimization-Inspired Learning with Architecture Augmentations and
Control Mechanisms for Low-Level Vision [74.9260745577362]
本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。
フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。
低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
論文 参考訳(メタデータ) (2020-12-10T03:24:53Z) - Algorithm Configurations of MOEA/D with an Unbounded External Archive [7.745468825770201]
実行中に基準点仕様を線形に変更することによりMOEA/Dの性能が向上することを示す。
また、遺伝的アルゴリズムに基づくオフラインハイパーヒューリスティック手法を用いて、各フレームワークにおけるMOEA/Dの最適構成を求める。
論文 参考訳(メタデータ) (2020-07-27T08:14:37Z) - dMFEA-II: An Adaptive Multifactorial Evolutionary Algorithm for
Permutation-based Discrete Optimization Problems [6.943742860591444]
本稿では、最近導入されたMFEA-II(Multifactorial Evolutionary Algorithm II)を、置換に基づく離散環境に適用する。
提案手法の性能を5種類のマルチタスク設定で評価した。
論文 参考訳(メタデータ) (2020-04-14T14:42:47Z)
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。