論文の概要: Evolutionary Algorithm with Detection Region Method for Constrained Multi-Objective Problems with Binary Constraints

• arxiv url: http://arxiv.org/abs/2411.08437v1
• Date: Wed, 13 Nov 2024 08:39:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:09:11.711356
• Title: Evolutionary Algorithm with Detection Region Method for Constrained Multi-Objective Problems with Binary Constraints
• Title（参考訳）: 二項制約をもつ制約付き多目的問題に対する検出領域法による進化的アルゴリズム
• Authors: Weixiong Huang, Rui Wang, Tao Zhang, Sheng Qi, Ling Wang,
• Abstract要約: 本稿では,検出領域法に基づくDRMCMOと呼ばれる新しいアルゴリズムを提案する。 DRMCMOでは、検出領域は収束を高めるために実現可能なソリューションを動的に監視し、住民が局所的最適から逃れるのを助ける。 バイナリ制約のあるCMOPのベンチマークテスト問題として、既存の3つのテストスイートを変更しました。
• 参考スコア（独自算出の注目度）: 9.764702512419946
• License:
• Abstract: Solving constrained multi-objective optimization problems (CMOPs) is a challenging task. While many practical algorithms have been developed to tackle CMOPs, real-world scenarios often present cases where the constraint functions are unknown or unquantifiable, resulting in only binary outcomes (feasible or infeasible). This limitation reduces the effectiveness of constraint violation guidance, which can negatively impact the performance of existing algorithms that rely on this approach. Such challenges are particularly detrimental for algorithms employing the epsilon-based method, as they hinder effective relaxation of the feasible region. To address these challenges, this paper proposes a novel algorithm called DRMCMO based on the detection region method. In DRMCMO, detection regions dynamic monitor feasible solutions to enhance convergence, helping the population escape local optima. Additionally, these regions collaborate with the neighbor pairing strategy to improve population diversity within narrow feasible areas. We have modified three existing test suites to serve as benchmark test problems for CMOPs with binary constraints(CMOP/BC) and conducted comprehensive comparative experiments with state-of-the-art algorithms on these test suites and real-world problems. The results demonstrate the strong competitiveness of DRMCMO against state-of-the-art algorithms. Given the limited research on CMOP/BC, our study offers a new perspective for advancing this field.
• Abstract（参考訳）: 制約付き多目的最適化問題(CMOP)の解決は難しい課題である。 CMOPに対処するために多くの実用的なアルゴリズムが開発されているが、現実のシナリオでは制約関数が未知あるいは不定量的な場合が多く、結果として二進的な結果(実現不可能または不可能)しか得られない。 この制限は制約違反ガイダンスの有効性を低下させ、このアプローチに依存する既存のアルゴリズムのパフォーマンスに悪影響を及ぼす可能性がある。 このような課題は、実現可能な領域の効果的な緩和を妨げるため、エプシロン法を用いるアルゴリズムにとって特に有害である。 そこで本研究では,検出領域法に基づくDRMCMOと呼ばれる新しいアルゴリズムを提案する。 DRMCMOでは、検出領域は収束を高めるために実現可能なソリューションを動的に監視し、住民が局所的最適から逃れるのを助ける。 さらに、これらの地域は近隣のペアリング戦略と協力し、狭い実現可能な地域での人口の多様性を向上させる。 我々は、CMOPのベンチマークテスト問題にバイナリ制約(CMOP/BC)を組み込んだ3つの既存のテストスイートを修正し、これらのテストスイートと実世界の問題に対する最先端のアルゴリズムを用いた総合的な比較実験を行った。 その結果,DRMCMOの最先端アルゴリズムに対する強い競争力を示した。 CMOP/BCに関する限られた研究から,本研究はこの分野を前進させる新たな視点を提供する。

関連論文リスト

• Deep Reinforcement Learning for Online Optimal Execution Strategies [49.1574468325115]
  本稿では,動的な金融市場における非マルコフ的最適実行戦略の学習に挑戦する。 我々は,Deep Deterministic Policy Gradient(DDPG)に基づく新しいアクター批判アルゴリズムを提案する。 提案アルゴリズムは最適実行戦略の近似に成功していることを示す。
  論文  参考訳（メタデータ） (2024-10-17T12:38:08Z)
• Provably Efficient Exploration in Inverse Constrained Reinforcement Learning [12.178081346315523]
  逆制約強化学習(Inverse Constrained Reinforcement Learning)は、データ駆動方式で専門家によるデモンストレーションから制約を回復する。 効率性を保証する戦略的探索フレームワークを導入する。 そこで本研究では,効率的な制約推論を実現するための探索アルゴリズムを2つ提案する。
  論文  参考訳（メタデータ） (2024-09-24T10:48:13Z)
• A Primal-Dual-Assisted Penalty Approach to Bilevel Optimization with Coupled Constraints [66.61399765513383]
  We developed a BLOCC algorithm to tackle BiLevel Optimization problems with Coupled Constraints。 2つのよく知られた実世界のアプリケーションでその効果を実証する。
  論文  参考訳（メタデータ） (2024-06-14T15:59:36Z)
• Modified LAB Algorithm with Clustering-based Search Space Reduction Method for solving Engineering Design Problems [0.7789406630452325]
  本稿では,改良型LABアルゴリズムを提案する。 提案アルゴリズムは、ルーレットホイールアプローチとグループ間競争を導入した還元係数を取り入れたものである。 アルゴリズムは改良され、より優れたロバスト性と探索空間探索能力を示した。
  論文  参考訳（メタデータ） (2023-10-04T12:35:13Z)
• New Characterizations and Efficient Local Search for General Integer Linear Programming [17.80124240223163]
  本研究では境界解の概念を用いた線形プログラミング(ILP)の新たな特徴付けを提案する。 そこで我々は,局所探索アルゴリズムのLocal-ILPを開発した。 MIPLIBデータセットで行った実験は、大規模ハードILP問題の解法におけるアルゴリズムの有効性を示した。
  論文  参考訳（メタデータ） (2023-04-29T07:22:07Z)
• 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)
• Instance-Dependent Confidence and Early Stopping for Reinforcement Learning [99.57168572237421]
  強化学習(RL)のための様々なアルゴリズムは、その収束率の劇的な変動を問題構造の関数として示している。 この研究は、観察されたパフォーマンスの違いについて、textitexを説明する保証を提供する。 次の自然なステップは、これらの理論的保証を実際に有用なガイドラインに変換することです。
  論文  参考訳（メタデータ） (2022-01-21T04:25:35Z)
• 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)
• Improving Solution Quality of Bounded Max-Sum Algorithm to Solve DCOPs involving Hard and Soft Constraints [3.0969191504482243]
  BMS (Bunded Max-Sum) は、分散化調整問題の特定の形態に対する近似解を提供するメッセージパッシングアルゴリズムである。 特に、BMSアルゴリズムは、計算コストを犠牲にして、大規模な検索空間を持つこのタイプの問題を解くことができる。
  論文  参考訳（メタデータ） (2020-12-02T18:10:14Z)
• The limits of min-max optimization algorithms: convergence to spurious non-critical sets [82.74514886461257]
  min-max最適化アルゴリズムは周期サイクルや同様の現象が存在するため、はるかに大きな問題に遭遇する。 問題のどの点も引き付けないアルゴリズムが存在することを示す。 ほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほぼほとんどである。
  論文  参考訳（メタデータ） (2020-06-16T10:49:27Z)

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。