論文の概要: Feature-based Evolutionary Diversity Optimization of Discriminating Instances for Chance-constrained Optimization Problems

• arxiv url: http://arxiv.org/abs/2501.14284v1
• Date: Fri, 24 Jan 2025 06:55:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:57:21.508821
• Title: Feature-based Evolutionary Diversity Optimization of Discriminating Instances for Chance-constrained Optimization Problems
• Title（参考訳）: 時間制約最適化問題に対する識別インスタンスの特徴に基づく進化的多様性最適化
• Authors: Saba Sadeghi Ahouei, Denis Antipov, Aneta Neumann, Frank Neumann,
• Abstract要約: 予測値と分散を特徴とするコンポーネントを含む確率制約最適化問題に対するベンチマークインスタンスを進化させる。 提案手法は,一対のアルゴリズムの性能を効果的に区別しながら,異なる特徴に基づく多様なインスタンスを効果的に生成する。
• 参考スコア（独自算出の注目度）: 9.617143859697322
• License:
• Abstract: Algorithm selection is crucial in the field of optimization, as no single algorithm performs perfectly across all types of optimization problems. Finding the best algorithm among a given set of algorithms for a given problem requires a detailed analysis of the problem's features. To do so, it is important to have a diverse set of benchmarking instances highlighting the difference in algorithms' performance. In this paper, we evolve diverse benchmarking instances for chance-constrained optimization problems that contain stochastic components characterized by their expected values and variances. These instances clearly differentiate the performance of two given algorithms, meaning they are easy to solve by one algorithm and hard to solve by the other. We introduce a $(\mu+1)~EA$ for feature-based diversity optimization to evolve such differentiating instances. We study the chance-constrained maximum coverage problem with stochastic weights on the vertices as an example of chance-constrained optimization problems. The experimental results demonstrate that our method successfully generates diverse instances based on different features while effectively distinguishing the performance between a pair of algorithms.
• Abstract（参考訳）: アルゴリズムの選択は最適化の分野において重要である。 与えられた問題に対するアルゴリズムの集合の中で最高のアルゴリズムを見つけるには、問題の特徴を詳細に分析する必要がある。 そのためには,アルゴリズムの性能の違いを強調したベンチマークインスタンスの多種多様なセットを持つことが重要である。 本稿では,予測値と分散を特徴とする確率的成分を含む確率制約最適化問題に対する多様なベンチマークインスタンスを進化させる。 これらのインスタンスは、与えられた2つのアルゴリズムのパフォーマンスを明確に区別する。 このようなインスタンスを進化させるために、機能ベースの多様性最適化のために$(\mu+1)~EA$を導入します。 本稿では,確率制約付き最適化問題の一例として,頂点上の確率重み付き確率制約付き最大被覆問題について検討する。 実験の結果,提案手法は,アルゴリズム間の性能を効果的に区別しながら,異なる特徴に基づいて多様なインスタンスを生成することができた。

関連論文リスト

• Decomposition of Difficulties in Complex Optimization Problems Using a Bilevel Approach [0.30723404270319693]
  実際の最適化問題には、特定の最適化方法に依存する場合、しばしば難解な様々な困難が含まれている。 複雑な最適化問題に対して2つのアプローチを同時に適用できる分解戦略を提案する。
  論文  参考訳（メタデータ） (2024-07-03T18:59:17Z)
• Effective anytime algorithm for multiobjective combinatorial optimization problems [3.2061579211871383]
  客観的な空間で十分に普及している効率的なソリューションのセットは、意思決定者に対して様々なソリューションを提供するのに好まれる。 本稿では,3つの新しいアイデアを組み合わせた多目的最適化のための新しい正確なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-06T11:53:44Z)
• Equitable and Fair Performance Evaluation of Whale Optimization Algorithm [4.0814527055582746]
  すべてのアルゴリズムは、徹底的に、幾分、知的に評価されることが不可欠である。 最適化アルゴリズムの有効性を等しく、公平に評価することは、様々な理由から簡単なプロセスではない。
  論文  参考訳（メタデータ） (2023-09-04T06:32:02Z)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
  本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。 微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
  論文  参考訳（メタデータ） (2023-02-24T18:41:48Z)
• 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)
• Enhanced Opposition Differential Evolution Algorithm for Multimodal Optimization [0.2538209532048866]
  現実の問題は、本質的には複数の最適値からなるマルチモーダルである。 古典的な勾配に基づく手法は、目的関数が不連続あるいは微分不可能な最適化問題に対して失敗する。 我々は,MMOPを解くために,拡張オポポジション微分進化(EODE)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:18:27Z)
• Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
  決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。 厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。 このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
  論文  参考訳（メタデータ） (2021-11-29T15:10:09Z)
• 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)
• Convergence of adaptive algorithms for weakly convex constrained optimization [59.36386973876765]
  モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。 我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
  論文  参考訳（メタデータ） (2020-06-11T17:43:19Z)
• Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
  我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。 我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-29T09:40:58Z)

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。