論文の概要: Un-evaluated Solutions May Be Valuable in Expensive Optimization

• arxiv url: http://arxiv.org/abs/2412.03858v1
• Date: Thu, 05 Dec 2024 04:06:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:42:02.550653
• Title: Un-evaluated Solutions May Be Valuable in Expensive Optimization
• Title（参考訳）: 未評価のソリューションは高額な最適化で価値があるかもしれない
• Authors: Hao Hao, Xiaoqun Zhang, Aimin Zhou,
• Abstract要約: 本稿では,選択段階における代理モデルによって予測される高品質で未評価なソリューションを取り入れた戦略的アプローチを提案する。 このアプローチは評価された解の分布を改善することを目的としており、それによってより優れた次世代の解を生成する。
• 参考スコア（独自算出の注目度）: 5.6787965501364335
• License:
• Abstract: Expensive optimization problems (EOPs) are prevalent in real-world applications, where the evaluation of a single solution requires a significant amount of resources. In our study of surrogate-assisted evolutionary algorithms (SAEAs) in EOPs, we discovered an intriguing phenomenon. Because only a limited number of solutions are evaluated in each iteration, relying solely on these evaluated solutions for evolution can lead to reduced disparity in successive populations. This, in turn, hampers the reproduction operators' ability to generate superior solutions, thereby reducing the algorithm's convergence speed. To address this issue, we propose a strategic approach that incorporates high-quality, un-evaluated solutions predicted by surrogate models during the selection phase. This approach aims to improve the distribution of evaluated solutions, thereby generating a superior next generation of solutions. This work details specific implementations of this concept across various reproduction operators and validates its effectiveness using multiple surrogate models. Experimental results demonstrate that the proposed strategy significantly enhances the performance of surrogate-assisted evolutionary algorithms. Compared to mainstream SAEAs and Bayesian optimization algorithms, our approach incorporating the un-evaluated solution strategy shows a marked improvement.
• Abstract（参考訳）: EOP(Expensive Optimization problem)は、単一のソリューションの評価に膨大なリソースを必要とする現実世界のアプリケーションで広く用いられている問題である。 EOPにおけるサロゲート支援進化アルゴリズム (SAEA) の研究で, 興味深い現象が発見された。 各反復において限られた数の解しか評価されないため、これらの評価された解のみに依存すると、連続する集団の格差が減少する可能性がある。 これにより、再生演算子の優れた解を生成する能力が損なわれ、アルゴリズムの収束速度が低下する。 この問題に対処するため,我々は,選択フェーズにおける代理モデルによって予測される高品質で未評価なソリューションを取り入れた戦略的アプローチを提案する。 このアプローチは評価された解の分布を改善することを目的としており、それによってより優れた次世代の解を生成する。 この研究は、様々な再生演算子にまたがるこの概念の具体的な実装を詳述し、複数のサロゲートモデルを用いてその有効性を検証する。 実験により,提案手法はサロゲート支援進化アルゴリズムの性能を著しく向上させることが示された。 主流のSAEAやベイズ最適化アルゴリズムと比較すると,未評価のソリューション戦略を取り入れたアプローチは著しく改善されている。

関連論文リスト

• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• Large Language Model-Aided Evolutionary Search for Constrained Multiobjective Optimization [15.476478159958416]
  我々は,制約付き多目的最適化問題に対する進化探索を強化するために,大規模言語モデル(LLM)を用いる。 私たちの目標は、進化の集団の収束を早めることです。
  論文  参考訳（メタデータ） (2024-05-09T13:44:04Z)
• Model Uncertainty in Evolutionary Optimization and Bayesian Optimization: A Comparative Analysis [5.6787965501364335]
  ブラックボックス最適化問題は、多くの現実世界のアプリケーションで一般的な問題である。 これらの問題はインプット・アウトプット・インタラクションを通じて内部動作へのアクセスなしに最適化する必要がある。 このような問題に対処するために2つの広く使われている勾配のない最適化手法が用いられている。 本稿では,2つの手法間のモデル不確実性の類似点と相違点を明らかにすることを目的とする。
  論文  参考訳（メタデータ） (2024-03-21T13:59:19Z)
• Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。 本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
  論文  参考訳（メタデータ） (2023-12-28T23:15:18Z)
• Enhancing SAEAs with Unevaluated Solutions: A Case Study of Relation Model for Expensive Optimization [6.382398222493027]
  本稿では,SAEAの効率を高めるために,未評価解を用いた枠組みを提案する。 代理モデルを用いて、評価無しに新しい解を直接生成するための高品質な解を同定する。
  論文  参考訳（メタデータ） (2023-09-21T12:09:55Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• 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)
• Accelerating the Evolutionary Algorithms by Gaussian Process Regression with $\epsilon$-greedy acquisition function [2.7716102039510564]
  本稿では,最適化の収束を早めるために,エリート個人を推定する新しい手法を提案する。 我々の提案には、エリート個人を推定し、最適化の収束を加速する幅広い見通しがある。
  論文  参考訳（メタデータ） (2022-10-13T07:56:47Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• 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)

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。