論文の概要: Discovering new robust local search algorithms with neuro-evolution
- arxiv url: http://arxiv.org/abs/2501.04747v1
- Date: Wed, 08 Jan 2025 10:31:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-10 14:00:53.518698
- Title: Discovering new robust local search algorithms with neuro-evolution
- Title(参考訳): ニューロ進化によるロバストな局所探索アルゴリズムの発見
- Authors: Mohamed Salim Amri Sakhri, Adrien Goëffon, Olivier Goudet, Frédéric Saubion, Chaïmaâ Touhami,
- Abstract要約: 本稿では,局所探索アルゴリズムの領域における既存の課題を克服することを目的とした,新しいアプローチを提案する。
本研究の目的は,局所探索アルゴリズム内で発生する決定プロセスを改善することであり,各反復で最良な遷移を実現することである。
このアプローチは、新しいローカル検索アルゴリズムの出現とブラックボックス問題に対する問題解決能力の改善に有望な道を提供する。
- 参考スコア(独自算出の注目度): 0.9786690381850356
- License:
- Abstract: This paper explores a novel approach aimed at overcoming existing challenges in the realm of local search algorithms. Our aim is to improve the decision process that takes place within a local search algorithm so as to make the best possible transitions in the neighborhood at each iteration. To improve this process, we propose to use a neural network that has the same input information as conventional local search algorithms. In this paper, which is an extension of the work [Goudet et al. 2024] presented at EvoCOP2024, we investigate different ways of representing this information so as to make the algorithm as efficient as possible but also robust to monotonic transformations of the problem objective function. To assess the efficiency of this approach, we develop an experimental setup centered around NK landscape problems, offering the flexibility to adjust problem size and ruggedness. This approach offers a promising avenue for the emergence of new local search algorithms and the improvement of their problem-solving capabilities for black-box problems.
- Abstract(参考訳): 本稿では,局所探索アルゴリズムの領域における既存の課題を克服することを目的とした,新しいアプローチを提案する。
本研究の目的は,局所探索アルゴリズム内で発生する決定プロセスを改善することであり,各反復で最良な遷移を実現することである。
このプロセスを改善するために,従来の局所探索アルゴリズムと同じ入力情報を持つニューラルネットワークを提案する。
本稿では,EvoCOP2024で提示された研究(Goudet et al 2024)の拡張として,アルゴリズムをできるだけ効率的にするために,問題対象関数の単調変換に頑健にするために,この情報を表現する方法について検討する。
提案手法の効率性を評価するため,NKランドスケープ問題を中心とした実験装置を開発し,問題の大きさと頑丈さを調整する柔軟性を提供する。
このアプローチは、新しいローカル検索アルゴリズムの出現とブラックボックス問題に対する問題解決能力の改善に有望な道を提供する。
関連論文リスト
- Resolving the Exploration-Exploitation Dilemma in Evolutionary Algorithms: A Novel Human-Centered Framework [0.0]
いわゆる探索・探索ジレンマを解決するために,人間中心の新たな枠組みが提案されている。
従来のアプローチとは異なり、検索プロセスは単一フェーズで妥協されることはない。
制約なし最適化における14のよく知られたベンチマーク問題に対して,その有効性を示す。
論文 参考訳(メタデータ) (2025-01-04T01:06:46Z) - Preventing Local Pitfalls in Vector Quantization via Optimal Transport [77.15924044466976]
我々はシンクホーンアルゴリズムを用いて最適な輸送問題を最適化する新しいベクトル量子化法であるOptVQを紹介する。
画像再構成タスクの実験では,OptVQが100%のコードブック利用を実現し,現在最先端のVQNを超越していることが示された。
論文 参考訳(メタデータ) (2024-12-19T18:58:14Z) - Evolutionary Algorithm with Detection Region Method for Constrained Multi-Objective Problems with Binary Constraints [9.764702512419946]
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。
論文 参考訳(メタデータ) (2024-11-13T08:39:04Z) - Enhancing CNN Classification with Lamarckian Memetic Algorithms and Local Search [0.0]
そこで本研究では,局所探索機能を組み込んだ2段階学習手法と集団最適化アルゴリズムを併用した新しい手法を提案する。
実験の結果,提案手法は最先端の勾配に基づく手法よりも優れていた。
論文 参考訳(メタデータ) (2024-10-26T17:31:15Z) - 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) - 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) - Community detection using fast low-cardinality semidefinite programming [94.4878715085334]
局所的な更新を一般化し、ライデン-k-カットから導かれる半定緩和を最大化する、新しい低カルチナリティアルゴリズムを提案する。
提案アルゴリズムはスケーラビリティが高く,最先端のアルゴリズムより優れ,実時間では性能が向上し,追加コストがほとんどない。
論文 参考訳(メタデータ) (2020-12-04T15:46:30Z) - Approximation Guarantees of Local Search Algorithms via Localizability
of Set Functions [9.89901717499058]
局所探索は基本的なアルゴリズムであり、様々な最適化問題に広く利用されている。
ローカライズ可能性の観点から,様々な制約の下で,標準的な局所探索アルゴリズムの近似保証を提供する。
本フレームワークの主な用途はスパース最適化であり, 強い凹凸や目的関数の滑らかさの制限は局所性を意味することを示す。
論文 参考訳(メタデータ) (2020-06-02T05:37:52Z) - Parallelization Techniques for Verifying Neural Networks [52.917845265248744]
検証問題に基づくアルゴリズムを反復的に導入し、2つの分割戦略を探索する。
また、ニューラルネットワークの検証問題を単純化するために、ニューロンアクティベーションフェーズを利用する、高度に並列化可能な前処理アルゴリズムも導入する。
論文 参考訳(メタデータ) (2020-04-17T20:21:47Z) - Second-Order Guarantees in Centralized, Federated and Decentralized
Nonconvex Optimization [64.26238893241322]
単純なアルゴリズムは、多くの文脈において優れた経験的結果をもたらすことが示されている。
いくつかの研究は、非最適化問題を研究するための厳密な分析的正当化を追求している。
これらの分析における重要な洞察は、摂動が局所的な降下アルゴリズムを許容する上で重要な役割を担っていることである。
論文 参考訳(メタデータ) (2020-03-31T16:54:22Z) - Active Model Estimation in Markov Decision Processes [108.46146218973189]
マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。
マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
論文 参考訳(メタデータ) (2020-03-06T16:17:24Z)
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。