論文の概要: Discovering Quality-Diversity Algorithms via Meta-Black-Box Optimization
- arxiv url: http://arxiv.org/abs/2502.02190v1
- Date: Tue, 04 Feb 2025 10:13:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 15:05:05.628401
- Title: Discovering Quality-Diversity Algorithms via Meta-Black-Box Optimization
- Title(参考訳): メタブラックボックス最適化による品質多様性アルゴリズムの探索
- Authors: Maxence Faldor, Robert Tjarko Lange, Antoine Cully,
- Abstract要約: 品質多様性(Quality-Diversity)は、高性能なソリューションの多様な集団を生成する進化アルゴリズムのファミリーである。
メタラーニングを用いて,新しい品質多様性アルゴリズムの自動発見を提案する。
- 参考スコア(独自算出の注目度): 8.5083347559272
- License:
- Abstract: Quality-Diversity has emerged as a powerful family of evolutionary algorithms that generate diverse populations of high-performing solutions by implementing local competition principles inspired by biological evolution. While these algorithms successfully foster diversity and innovation, their specific mechanisms rely on heuristics, such as grid-based competition in MAP-Elites or nearest-neighbor competition in unstructured archives. In this work, we propose a fundamentally different approach: using meta-learning to automatically discover novel Quality-Diversity algorithms. By parameterizing the competition rules using attention-based neural architectures, we evolve new algorithms that capture complex relationships between individuals in the descriptor space. Our discovered algorithms demonstrate competitive or superior performance compared to established Quality-Diversity baselines while exhibiting strong generalization to higher dimensions, larger populations, and out-of-distribution domains like robot control. Notably, even when optimized solely for fitness, these algorithms naturally maintain diverse populations, suggesting meta-learning rediscovers that diversity is fundamental to effective optimization.
- Abstract(参考訳): 品質多様性は、生物学的進化にインスパイアされた局所的な競争原理を実装することによって、ハイパフォーマンスなソリューションの多様な集団を生成する進化アルゴリズムの強力なファミリーとして登場した。
これらのアルゴリズムは多様性とイノベーションを育むことに成功したが、その具体的なメカニズムは、MAP-Elitesにおけるグリッドベースの競争や、非構造化アーカイブにおける最も近い隣の競争といったヒューリスティックに依存している。
本研究では,メタラーニングを用いて,新しい品質多様性アルゴリズムを自動発見する手法を提案する。
注意に基づくニューラルネットワークを用いて競合ルールをパラメータ化することにより、ディスクリプタ空間内の個人間の複雑な関係をキャプチャする新しいアルゴリズムを進化させる。
提案アルゴリズムは,より高次元,人口,ロボット制御などのアウト・オブ・ディストリビューション領域に強い一般化を示しながら,確立された品質多様性ベースラインと比較して,競争力や優れた性能を示す。
特に、フィットネス専用に最適化されたとしても、これらのアルゴリズムは自然に多様な個体群を維持でき、多様性が効果的な最適化の根底にあることをメタラーニング・リスコバーに示唆している。
関連論文リスト
- Dominated Novelty Search: Rethinking Local Competition in Quality-Diversity [6.576386892835931]
本研究では,動的フィットネス変換による局所的な競争を実現する品質多様性アルゴリズムであるDominated Novelty Searchを紹介する。
実験の結果, ドミネートノベルティサーチは, 標準品質・ダイバーシティ・ベンチマークにおいて, 既存の手法を著しく上回っていることがわかった。
論文 参考訳(メタデータ) (2025-02-01T23:15:50Z) - Faster Optimal Coalition Structure Generation via Offline Coalition Selection and Graph-Based Search [61.08720171136229]
本稿では,3つの革新的手法のハイブリッド化に基づく問題に対する新しいアルゴリズムSMARTを提案する。
これらの2つの手法は動的プログラミングに基づいており、評価のために選択された連立関係とアルゴリズムの性能の強力な関係を示す。
我々の手法は、問題にアプローチする新しい方法と、その分野に新しいレベルの精度をもたらす。
論文 参考訳(メタデータ) (2024-07-22T23:24:03Z) - A Reinforcement Learning-assisted Genetic Programming Algorithm for Team
Formation Problem Considering Person-Job Matching [70.28786574064694]
解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。
効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
論文 参考訳(メタデータ) (2023-04-08T14:32:12Z) - 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) - On the Convergence of Distributed Stochastic Bilevel Optimization
Algorithms over a Network [55.56019538079826]
バイレベル最適化は、幅広い機械学習モデルに適用されている。
既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。
そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
論文 参考訳(メタデータ) (2022-06-30T05:29:52Z) - Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。
性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
論文 参考訳(メタデータ) (2022-05-03T07:54:56Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳(メタデータ) (2021-10-18T14:00:22Z) - cMLSGA: A Co-Evolutionary Multi-Level Selection Genetic Algorithm for
Multi-Objective Optimization [0.0]
MLSGA(Multi-Level Selection Genetic Algorithm)は、すでに様々な問題に対して優れた性能を示している。
本稿では,共進化を個人ではなく集団間の競争として定義する,個別の共進化機構を提案する。
論文 参考訳(メタデータ) (2021-04-22T13:52:21Z) - Epistocracy Algorithm: A Novel Hyper-heuristic Optimization Strategy for
Solving Complex Optimization Problems [1.471992435706872]
本稿では,人間の社会・政治行動と知性を組み込んで複雑な最適化問題を解く,エピストクラシーという新しい進化的アルゴリズムを提案する。
エピストクラシーのアルゴリズムのインスピレーションは、教育を受けた人々が教育を受けていない人や教育を受けていない人よりも投票力を持つ政治体制に端を発する。
実験結果から, エピストクラシーアルゴリズムは, 性能, 精度, 堅牢性の観点から, 最先端の進化的, 群知能アルゴリズムよりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-01-30T19:07:09Z) - Quality-Diversity Optimization: a novel branch of stochastic
optimization [5.677685109155078]
マルチモーダル最適化アルゴリズムは、複数のことができる検索空間で最も高いピークを検索します。
品質多様性アルゴリズムは、進化的計算ツールボックスに最近追加されたもので、単一の局所光学系を探索するだけでなく、検索空間を照らそうとする。
論文 参考訳(メタデータ) (2020-12-08T09:52:50Z) - Quality and Diversity in Evolutionary Modular Robotics [1.290382979353427]
Evolutionary Roboticsでは、あるタスクを解くロボットを最適化するために、多くのソリューションが進化している。
品質の多様性のアルゴリズムは、異なるソリューションに報酬を与える追加の手段を導入することで、早めの収束を克服しようとします。
論文 参考訳(メタデータ) (2020-08-05T13:08:14Z)
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。