論文の概要: Unraveling the Versatility and Impact of Multi-Objective Optimization: Algorithms, Applications, and Trends for Solving Complex Real-World Problems
- arxiv url: http://arxiv.org/abs/2407.08754v1
- Date: Sat, 29 Jun 2024 15:19:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 13:48:17.406561
- Title: Unraveling the Versatility and Impact of Multi-Objective Optimization: Algorithms, Applications, and Trends for Solving Complex Real-World Problems
- Title（参考訳）: 多目的最適化の妥当性と影響の解明--複雑な実世界の問題を解決するアルゴリズム・応用・動向
- Authors: Noor A. Rashed, Yossra H. Ali, Tarik A. Rashid, A. Salih,
- Abstract要約: マルチオブジェクト最適化(MOO)技術は近年ますます人気が高まっている。
本稿では,最近開発されたMOOアルゴリズムについて検討する。
実世界のケーススタディでは、MOOアルゴリズムは複雑な意思決定課題に対処する。
- 参考スコア（独自算出の注目度）: 4.023511716339818
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-Objective Optimization (MOO) techniques have become increasingly popular in recent years due to their potential for solving real-world problems in various fields, such as logistics, finance, environmental management, and engineering. These techniques offer comprehensive solutions that traditional single-objective approaches fail to provide. Due to the many innovative algorithms, it has been challenging for researchers to choose the optimal algorithms for solving their problems. This paper examines recently developed MOO-based algorithms. MOO is introduced along with Pareto optimality and trade-off analysis. In real-world case studies, MOO algorithms address complicated decision-making challenges. This paper examines algorithmic methods, applications, trends, and issues in multi-objective optimization research. This exhaustive review explains MOO algorithms, their methods, and their applications to real-world problems. This paper aims to contribute further advancements in MOO research. No singular strategy is superior; instead, selecting a particular method depends on the natural optimization problem, the computational resources available, and the specific objectives of the optimization tasks.
- Abstract（参考訳）: 近年, 物流, 金融, 環境管理, 工学といった様々な分野において, 現実の問題を解決する可能性から, 多目的最適化(MOO)技術が普及している。
これらのテクニックは、従来の単目的アプローチでは提供できない包括的なソリューションを提供します。
多くの革新的なアルゴリズムのおかげで、研究者が問題を解くのに最適なアルゴリズムを選択することは難しかった。
本稿では,最近開発されたMOOアルゴリズムについて検討する。
MOOはParetoの最適性とトレードオフ分析とともに導入された。
実世界のケーススタディでは、MOOアルゴリズムは複雑な意思決定課題に対処する。
本稿では,多目的最適化研究におけるアルゴリズム手法,応用,動向,課題について検討する。
本総括レビューでは,MOOアルゴリズムとその手法,および実世界の問題への応用について解説する。
本稿はMOO研究のさらなる発展をめざすものである。
特定の方法を選択することは、自然最適化問題、利用可能な計算資源、最適化タスクの特定の目的に依存する。
関連論文リスト
- The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。
本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
論文 参考訳（メタデータ） (2023-12-01T16:00:25Z) - What Lies beyond the Pareto Front? A Survey on Decision-Support Methods
for Multi-Objective Optimization [11.935678130032766]
本稿では,多目的最適化(MOO)アルゴリズムが生み出す解を探索するための意思決定支援手法を統一するレビューを行う。
多様な問題を解決するためにMOOを適用するため、MOOアルゴリズムが提供するトレードオフを解析するためのアプローチがフィールドに分散している。
論文 参考訳（メタデータ） (2023-11-19T10:24:39Z) - 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 Influence Maximization: From an ML-Based Combinatorial
Optimization [2.9882027965916413]
影響最大化(IM)は、モバイルネットワーク、ソーシャルコンピューティング、レコメンデーションシステムで広く用いられる古典的な最適化問題である。
主な課題は、IM問題のNP硬度と、影響力の広がりを推定する#P硬度である。
我々は,関連する背景知識,基本原則,共通手法,応用研究の要約に重点を置いている。
論文 参考訳（メタデータ） (2022-11-06T10:13:42Z) - Socio-cognitive Optimization of Time-delay Control Problems using
Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。
本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文 参考訳（メタデータ） (2022-10-23T22:21:10Z) - Do Current Multi-Task Optimization Methods in Deep Learning Even Help? [35.27168056803643]
これらのアルゴリズムの設計と計算の複雑さが加わったにも拘わらず、MTO法は従来の最適化手法によって達成可能な以上の性能改善を行なわないことを示す。
パフォーマンスプロファイルを継続的に改善する代替戦略を強調し、最適な結果をもたらす可能性のある一般的なトレーニング落とし穴を指摘する。
論文 参考訳（メタデータ） (2022-09-23T02:45:13Z) - 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) - A survey on multi-objective hyperparameter optimization algorithms for
Machine Learning [62.997667081978825]
本稿では,多目的HPOアルゴリズムに関する2014年から2020年にかけての文献を体系的に調査する。
メタヒューリスティック・ベース・アルゴリズムとメタモデル・ベース・アルゴリズム,および両者を混合したアプローチを区別する。
また,多目的HPO法と今後の研究方向性を比較するための品質指標についても論じる。
論文 参考訳（メタデータ） (2021-11-23T10:22:30Z) - An Overview and Experimental Study of Learning-based Optimization
Algorithms for Vehicle Routing Problem [49.04543375851723]
車両ルーティング問題(VRP)は典型的な離散最適化問題である。
多くの研究は、VRPを解決するための学習に基づく最適化アルゴリズムについて検討している。
本稿では、最近のこの分野の進歩を概観し、関連するアプローチをエンドツーエンドアプローチとステップバイステップアプローチに分割する。
論文 参考訳（メタデータ） (2021-07-15T02:13:03Z) - PAMELI: A Meta-Algorithm for Computationally Expensive Multi-Objective
Optimization Problems [0.0]
提案アルゴリズムは,実モデルのモデルによって定義される一連の代理問題の解法に基づく。
また,最適化ランドスケープのための最適なサロゲートモデルとナビゲーション戦略のメタ検索を行う。
論文 参考訳（メタデータ） (2021-03-19T11:18:03Z) - Bio-inspired Optimization: metaheuristic algorithms for optimization [0.0]
今日の日時において、現実世界の複雑な問題を解決することは、根本的に重要で重要な課題となっている。
従来の最適化手法は小規模な問題に有効であることが判明した。
現実の大規模な問題では、従来の手法はスケールアップしないか、最適解を得ることができないか、あるいは長時間実行した後で解決策を提示する。
論文 参考訳（メタデータ） (2020-02-24T13:26:34Z)
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。