Fugu-MT 論文翻訳(概要): A Two-stage Evolutionary Framework For Multi-objective Optimization

論文の概要: A Two-stage Evolutionary Framework For Multi-objective Optimization

arxiv url: http://arxiv.org/abs/2407.06536v1
Date: Tue, 9 Jul 2024 04:14:59 GMT
ステータス: 処理完了
システム内更新日: 2024-07-10 19:25:27.795708
Title: A Two-stage Evolutionary Framework For Multi-objective Optimization
Title（参考訳）: 多目的最適化のための2段階進化フレームワーク
Authors: Peng Chen, Jing Liang, Kangjia Qiao, Ponnuthurai Nagaratnam Suganthan, Xuanxuan Ban,
Abstract要約: 多目的最適化のための2段階進化フレームワーク(TEMOF) 1つの古典的MOEAと2つの最先端MOEAがフレームワークに統合され、3つの新しいアルゴリズムが形成される。 3つの新しいアルゴリズムの勝者は、既存のMOEAと比較され、より良い結果を示す。
参考スコア（独自算出の注目度）: 8.253379910879795
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the field of evolutionary multi-objective optimization, the approximation of the Pareto front (PF) is achieved by utilizing a collection of representative candidate solutions that exhibit desirable convergence and diversity. Although several multi-objective evolutionary algorithms (MOEAs) have been designed, they still have difficulties in keeping balance between convergence and diversity of population. To better solve multi-objective optimization problems (MOPs), this paper proposes a Two-stage Evolutionary Framework For Multi-objective Optimization (TEMOF). Literally, algorithms are divided into two stages to enhance the search capability of the population. During the initial half of evolutions, parental selection is exclusively conducted from the primary population. Additionally, we not only perform environmental selection on the current population, but we also establish an external archive to store individuals situated on the first PF. Subsequently, in the second stage, parents are randomly chosen either from the population or the archive. In the experiments, one classic MOEA and two state-of-the-art MOEAs are integrated into the framework to form three new algorithms. The experimental results demonstrate the superior and robust performance of the proposed framework across a wide range of MOPs. Besides, the winner among three new algorithms is compared with several existing MOEAs and shows better results. Meanwhile, we conclude the reasons that why the two-stage framework is effect for the existing benchmark functions.
Abstract（参考訳）: 進化的多目的最適化の分野では、パレートフロント(PF)の近似は、望ましい収束と多様性を示す代表候補解の集合を利用して達成される。複数の多目的進化アルゴリズム (MOEA) が設計されているが、集団の収束と多様性のバランスを維持するには依然として困難である。本稿では,多目的最適化のための2段階進化フレームワーク(TEMOF)を提案する。アルゴリズムは、人口の探索能力を高めるために、2つの段階に分けられる。進化の前半において、親の選抜は一次個体群からのみ行われる。さらに、現在人口の環境選択を行うだけでなく、第1のPFに位置する個人を収容するための外部アーカイブも設置する。その後、第2段階では、親は人口またはアーカイブからランダムに選択される。実験では、1つの古典的MOEAと2つの最先端MOEAがフレームワークに統合され、3つの新しいアルゴリズムが形成される。実験結果から,提案するフレームワークの多種多様なMOPに対して,優れた,堅牢な性能を示す。さらに、3つの新しいアルゴリズムの勝者は、既存のMOEAと比較され、より良い結果を示す。一方、既存のベンチマーク機能に2段階フレームワークが有効である理由を結論付けている。

関連論文リスト

MORL-Prompt: An Empirical Analysis of Multi-Objective Reinforcement Learning for Discrete Prompt Optimization [45.410121761165634]
RLに基づく手法は、ターゲット言語モデルに入力されると、ユーザ特定報酬関数の集合を最大化するプロンプトを探索するために用いられる。現在の技術は報酬関数の平均値の最大化に重点を置いており、必ずしも報酬間の均衡を達成するプロンプトに繋がるとは限らない。
論文参考訳（メタデータ） (2024-02-18T21:25:09Z)
Bidirectional Looking with A Novel Double Exponential Moving Average to Adaptive and Non-adaptive Momentum Optimizers [109.52244418498974]
我々は,新しいtextscAdmeta(textbfADouble指数textbfMov averagtextbfE textbfAdaptiveおよび非適応運動量)フレームワークを提案する。我々は、textscAdmetaR と textscAdmetaS の2つの実装を提供し、前者は RAdam を、後者は SGDM をベースとしています。
論文参考訳（メタデータ） (2023-07-02T18:16:06Z)
HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
論文参考訳（メタデータ） (2023-04-23T17:27:40Z)
Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。 GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文参考訳（メタデータ） (2022-10-23T16:15:36Z)
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$を達成できることを理論的に証明する。目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文参考訳（メタデータ） (2021-10-18T14:00:22Z)
Niching Diversity Estimation for Multi-modal Multi-objective Optimization [9.584279193016522]
ニッチは進化的多目的最適化において重要かつ広く用いられている手法である。 MMOPでは、対象空間の解は決定空間に複数の逆像を持つことができ、これは等価解と呼ばれる。 MMOPの処理において、標準多様性推定器をより効率的にするために、一般的なニチング機構を提案する。
論文参考訳（メタデータ） (2021-01-31T05:23:31Z)
A Framework to Handle Multi-modal Multi-objective Optimization in Decomposition-based Evolutionary Algorithms [7.81768535871051]
分解に基づく進化的アルゴリズムは多目的最適化に優れた性能を持つ。解空間の多様性を維持するメカニズムが欠如しているため、マルチモーダルな多目的最適化にはあまり役に立たない可能性が高い。本稿では,マルチモーダル多目的最適化のための分解に基づく進化的アルゴリズムの性能向上のためのフレームワークを提案する。
論文参考訳（メタデータ） (2020-09-30T14:32:57Z)
Decomposition in Decision and Objective Space for Multi-Modal Multi-Objective Optimization [15.681236469530397]
多モード多目的最適化問題(MMMOP)はパレート最適集合内に複数の部分集合を持つ。一般的な多目的進化的アルゴリズムは、複数の解部分集合を探索するために純粋に設計されていないが、MMMOP向けに設計されたアルゴリズムは、目的空間における劣化した性能を示す。これは、MMMOPに対処するためのより良いアルゴリズムの設計を動機付けている。
論文参考訳（メタデータ） (2020-06-04T03:18:47Z)
MISA: Modality-Invariant and -Specific Representations for Multimodal Sentiment Analysis [48.776247141839875]
本稿では,2つの異なる部分空間に各モダリティを投影する新しいフレームワーク MISA を提案する。最初の部分空間はモダリティ不変(modality-invariant)であり、モダリティにまたがる表現はその共通点を学び、モダリティギャップを減少させる。一般的な感情分析ベンチマークであるMOSIとMOSEIの実験は、最先端モデルよりも大幅に向上したことを示す。
論文参考訳（メタデータ） (2020-05-07T15:13:23Z)
Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization [0.0]
本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。 MoHAEAは、MOEA/D、pa$lambda$-MOEA/D、MOEA/D-AWA、NSGA-IIの4つの状態と比較される。
論文参考訳（メタデータ） (2020-04-29T02:16:49Z)
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。