論文の概要: MetaDE: Evolving Differential Evolution by Differential Evolution

• arxiv url: http://arxiv.org/abs/2502.10470v3
• Date: Wed, 26 Mar 2025 08:06:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 14:57:01.207152
• Title: MetaDE: Evolving Differential Evolution by Differential Evolution
• Title（参考訳）: MetaDE: 差分進化による差分進化を進化させる
• Authors: Minyang Chen, Chenchen Feng, and Ran Cheng,
• Abstract要約: 微分進化の内在的ハイパーパラメータとDそのものをメタレベルで利用する戦略を進化させるアプローチであるMetaDEを紹介する。 MetaDEの重要な側面は特別なパラメータ化技術であり、DEのパラメータと戦略を動的に変更する機能を備えている。 CEC2022ベンチマークスイートの大規模な評価は、MetaDEの有望なパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 7.639181392953902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a cornerstone in the Evolutionary Computation (EC) domain, Differential Evolution (DE) is known for its simplicity and effectiveness in handling challenging black-box optimization problems. While the advantages of DE are well-recognized, achieving peak performance heavily depends on its hyperparameters such as the mutation factor, crossover probability, and the selection of specific DE strategies. Traditional approaches to this hyperparameter dilemma have leaned towards parameter tuning or adaptive mechanisms. However, identifying the optimal settings tailored for specific problems remains a persistent challenge. In response, we introduce MetaDE, an approach that evolves DE's intrinsic hyperparameters and strategies using DE itself at a meta-level. A pivotal aspect of MetaDE is a specialized parameterization technique, which endows it with the capability to dynamically modify DE's parameters and strategies throughout the evolutionary process. To augment computational efficiency, MetaDE incorporates a design that leverages parallel processing through a GPU-accelerated computing framework. Within such a framework, DE is not just a solver but also an optimizer for its own configurations, thus streamlining the process of hyperparameter optimization and problem-solving into a cohesive and automated workflow. Extensive evaluations on the CEC2022 benchmark suite demonstrate MetaDE's promising performance. Moreover, when applied to robot control via evolutionary reinforcement learning, MetaDE also demonstrates promising performance. The source code of MetaDE is publicly accessible at: https://github.com/EMI-Group/metade.
• Abstract（参考訳）: 進化計算(EC)領域の基盤として、差分進化(DE)はブラックボックス最適化問題に挑戦する際の単純さと有効性で知られている。 DEの利点はよく認識されているが、ピーク性能の達成は突然変異係数、クロスオーバー確率、特定のD戦略の選択などのハイパーパラメータに大きく依存している。 このハイパーパラメータジレンマに対する伝統的なアプローチは、パラメータチューニングや適応メカニズムに傾いている。 しかし、特定の問題に適した最適な設定を特定することは、依然として永続的な課題である。 そこで本研究では,De 固有のハイパーパラメータと,D 自体をメタレベルで利用する戦略を進化させるアプローチである MetaDE を紹介する。 MetaDEの重要な側面は特別なパラメータ化技術であり、進化過程を通してDEのパラメータと戦略を動的に修正する機能を備えている。 計算効率を向上させるため、MetaDEはGPU加速コンピューティングフレームワークを通じて並列処理を活用する設計を取り入れている。 このようなフレームワークの中では、DEは単に解決者ではなく、独自の設定のための最適化者でもあるため、ハイパーパラメータ最適化と問題解決のプロセスを、凝集的で自動化されたワークフローに合理化することができる。 CEC2022ベンチマークスイートの大規模な評価は、MetaDEの有望なパフォーマンスを示している。 さらに、進化的強化学習によるロボット制御に適用すると、MetaDEは有望な性能を示す。 MetaDEのソースコードは、https://github.com/EMI-Group/metade.comで公開されている。

関連論文リスト

• Detect and Act: Automated Dynamic Optimizer through Meta-Black-Box Optimization [19.31451943915537]
  本稿では,進化アルゴリズムにおける自動変分検出と自己適応を実現するための強化学習支援手法を提案する。 本手法は, 自動環境変動検出と自己適応により, 未知のDOPに対して一般化することができる。
  論文  参考訳（メタデータ） (2026-01-30T04:28:27Z)
• Task-free Adaptive Meta Black-box Optimization [55.461814601130044]
  対象タスクからのみ最適化データを用いてオンラインパラメータ適応を行うアダプティブメタブラックボックス最適化モデル(ABOM)を提案する。 メタトレーニングと最適化フェーズを分離する従来のメタBBOフレームワークとは異なり、ABOMはクローズドループパラメータ学習機構を導入し、パラメータ化された進化演算子を継続的に自己更新する。 このパラダイムシフトはゼロショット最適化を可能にする: 合成BBOベンチマークにおけるABOMの競合性能と、手作りのトレーニングタスクを伴わない現実的な無人飛行路計画問題。
  論文  参考訳（メタデータ） (2026-01-29T09:54:10Z)
• SCOPE: Prompt Evolution for Enhancing Agent Effectiveness [53.75986399936395]
  大規模言語モデル(LLM)エージェントは、大規模で動的なコンテキストを生成する環境にますますデプロイされている。 エージェントはこのコンテキストにアクセスできますが、静的なプロンプトには効果的に管理するメカニズムがありません。 textbfSCOPE (Self-evolving Context Optimization via Prompt Evolution) を導入する。 本稿では,戦術的特異性(即時誤りの解消)と戦略的汎用性(長期原則の進化)のバランスをとるデュアルストリーム機構を提案する。
  論文  参考訳（メタデータ） (2025-12-17T12:25:05Z)
• Learning to Solve Optimization Problems Constrained with Partial Differential Equations [45.143085119200265]
  部分方程式 (PDE) に制約のある最適化は、多くの科学的・工学的な領域で発生する。 本稿では,動的予測器と最適化サロゲートを統合した学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-29T10:28:14Z)
• Large Language Model Assisted Automated Algorithm Generation and Evolution via Meta-black-box optimization [9.184788298623062]
  AwesomeDEは大規模言語モデル(LLM)をメタ最適化の戦略として活用し、人間の介入なしに制約付き進化アルゴリズムの更新ルールを生成する。 素早い設計と反復的な改良を含む重要なコンポーネントは、設計品質への影響を判断するために体系的に分析される。 実験の結果,提案手法は計算効率と解の精度で既存手法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） (2025-09-16T17:02:24Z)
• Deep Reinforcement Learning-Assisted Component Auto-Configuration of Differential Evolution Algorithm for Constrained Optimization: A Foundation Model [12.957830806430733]
  我々は、制約付き最適化問題(COP)に対処する微分進化法(DE)アルゴリズムにおいて、自動コンポーネント構成のための新しいフレームワークを導入する。 SuperDEは、ゼロショットで見えない問題に対して、最適な世代ごとの設定を推奨できる。 実験の結果,SuperDEはベンチマークテストスイートにおいて既存の最先端アルゴリズムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-09-14T00:14:40Z)
• RAG/LLM Augmented Switching Driven Polymorphic Metaheuristic Framework [5.10888539576355]
  Polymorphic Metaheuristic Framework (PMF) は、リアルタイムパフォーマンスフィードバックと動的アルゴリズム選択によって駆動される自己適応型メタヒューリスティックスイッチング機構である。 AIによる意思決定と自己修正メカニズムを統合することで、PMFはスケーラブルでインテリジェントで自律的な最適化フレームワークの道を開いた。
  論文  参考訳（メタデータ） (2025-05-20T01:41:22Z)
• Online Cluster-Based Parameter Control for Metaheuristic [0.0]
  本稿では,クラスタベースメタヒューリスティックスのためのクラスタベース適応(CPA)と呼ばれる,汎用的なオンラインパラメータチューニング手法を提案する。 主な考え方は、パラメータ探索空間内の有望な領域の同定と、これらの領域に関する新しいパラメータの生成である。 得られた結果は統計的に解析され、高度な自動チューニング手法を含む最先端のアルゴリズムと比較される。
  論文  参考訳（メタデータ） (2025-04-07T14:48:30Z)
• Reinforcement learning Based Automated Design of Differential Evolution Algorithm for Black-box Optimization [14.116216795259554]
  微分進化(DE)アルゴリズムは最も効果的な進化アルゴリズムの1つとして認識されている。 ブラックボックス最適化のためのDEの自動設計に強化学習(RL)を用いる新しいフレームワークを提案する。 RLは高度なメタ最適化器として機能し、カスタマイズされたDE構成を生成する。
  論文  参考訳（メタデータ） (2025-01-22T13:41:47Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)
• A Stochastic Approach to Bi-Level Optimization for Hyperparameter Optimization and Meta Learning [74.80956524812714]
  我々は,現代のディープラーニングにおいて広く普及している一般的なメタ学習問題に対処する。 これらの問題は、しばしばBi-Level Optimizations (BLO)として定式化される。 我々は,与えられたBLO問題を,内部損失関数が滑らかな分布となり,外損失が内部分布に対する期待損失となるようなii最適化に変換することにより,新たな視点を導入する。
  論文  参考訳（メタデータ） (2024-10-14T12:10:06Z)
• An investigation on the use of Large Language Models for hyperparameter tuning in Evolutionary Algorithms [4.0998481751764]
  最適化ログをオンラインで分析するために,オープンソースのLarge Language Models (LLM) を2つ採用している。 本研究では, (1+1)-ESのステップサイズ適応の文脈におけるアプローチについて検討する。
  論文  参考訳（メタデータ） (2024-08-05T13:20:41Z)
• PRANCE: Joint Token-Optimization and Structural Channel-Pruning for Adaptive ViT Inference [44.77064952091458]
  PRANCEはVision Transformer圧縮フレームワークで、アクティベートされたチャネルを共同で最適化し、入力の特性に基づいてトークンを削減する。 本稿では,ViTの推論過程を逐次決定プロセスとしてモデル化する,新しい「結果と結果」学習機構を提案する。 我々のフレームワークは、プルーニング、マージング、プルーニングマージングといった様々なトークン最適化手法と互換性があることが示されている。
  論文  参考訳（メタデータ） (2024-07-06T09:04:27Z)
• Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
  人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。 本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。 提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
  論文  参考訳（メタデータ） (2024-06-04T20:33:22Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• A Comparative study of Hyper-Parameter Optimization Tools [2.6097538974670935]
  我々は、4つのpythonライブラリ、すなわちOptuna、Hyperopt、Optunity、およびシーケンシャルモデルアルゴリズム構成(SMAC)の性能を比較した。 私たちは、OptunaがCASH問題とNeurIPSのブラックボックス最適化の課題に対してより良いパフォーマンスを持つことを発見した。
  論文  参考訳（メタデータ） (2022-01-17T14:49:36Z)
• Optimizing Large-Scale Hyperparameters via Automated Learning Algorithm [97.66038345864095]
  ゼロ階超勾配(HOZOG)を用いた新しいハイパーパラメータ最適化法を提案する。 具体的には、A型制約最適化問題として、まずハイパーパラメータ最適化を定式化する。 次に、平均ゼロ階超勾配を用いてハイパーパラメータを更新する。
  論文  参考訳（メタデータ） (2021-02-17T21:03:05Z)
• Better call Surrogates: A hybrid Evolutionary Algorithm for Hyperparameter optimization [18.359749929678635]
  機械学習(ML)モデルのハイパーパラメータ最適化のための代理支援進化アルゴリズム(EA)を提案する。 提案したSTEADEモデルは,まずRadialBasis関数を用いて目的関数のランドスケープを推定し,その知識を微分進化(differial Evolution)と呼ばれるEA技術に伝達する。 NeurIPS 2020のブラックボックス最適化課題の一環として、ハイパーパラメータ最適化問題に関するモデルを実証的に評価し、STEADEがバニラEAにもたらした改善を実証しました。
  論文  参考訳（メタデータ） (2020-12-11T16:19:59Z)
• EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm for Constrained Global Optimization [68.8204255655161]
  EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。 これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。 その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
  論文  参考訳（メタデータ） (2020-07-09T10:19:22Z)

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。