論文の概要: A Weight Adaptation Trigger Mechanism in Decomposition-based Evolutionary Multi-Objective Optimisation

• arxiv url: http://arxiv.org/abs/2502.16481v1
• Date: Sun, 23 Feb 2025 07:50:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:57:34.713490
• Title: A Weight Adaptation Trigger Mechanism in Decomposition-based Evolutionary Multi-Objective Optimisation
• Title（参考訳）: 分解に基づく進化的多目的最適化における重み付きトリガー機構
• Authors: Xiaofeng Han, Xiaochen Chu, Tao Chao, Ming Yang, Miqing Li,
• Abstract要約: 分解に基づく進化アルゴリズム(MOEA)は多目的問題の解法として広く用いられている。 通常の(複合的な)パレートフロントの問題ではうまく機能するが、不規則なパレートフロントではうまく機能しない。 この問題を解決するためにATM-MOEA/Dというアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 7.662008129499435
• License:
• Abstract: Decomposition-based multi-objective evolutionary algorithms (MOEAs) are widely used for solving multi-objective optimisation problems. However, their effectiveness depends on the consistency between the problems Pareto front shape and the weight distribution. Decomposition-based MOEAs, with uniformly distributed weights (in a simplex), perform well on problems with a regular (simplex-like) Pareto front, but not on those with an irregular Pareto front. Previous studies have focused on adapting the weights to approximate the irregular Pareto front during the evolutionary process. However, these adaptations can actually harm the performance on the regular Pareto front via changing the weights during the search process that are eventually the best fit for the Pareto front. In this paper, we propose an algorithm called the weight adaptation trigger mechanism for decomposition-based MOEAs (ATM-MOEA/D) to tackle this issue. ATM-MOEA/D uses an archive to gradually approximate the shape of the Pareto front during the search. When the algorithm detects evolution stagnation (meaning the population no longer improves significantly), it compares the distribution of the population with that of the archive to distinguish between regular and irregular Pareto fronts. Only when an irregular Pareto front is identified, the weights are adapted. Our experimental results show that the proposed algorithm not only performs generally better than seven state-of-the-art weight-adapting methods on irregular Pareto fronts but also is able to achieve the same results as fixed-weight methods like MOEA/D on regular Pareto fronts.
• Abstract（参考訳）: 分解に基づく多目的進化アルゴリズム(MOEA)は多目的最適化問題の解法として広く用いられている。 しかし、それらの効果はパレートの前方形状と重量分布の整合性に依存する。 分解に基づくMOEAは、一様に分布した重みを持つが(単純体において)、正規(複合的な)パレートフロントの問題についてはうまく機能するが、不規則なパレートフロントではうまく機能しない。 これまでの研究では、進化の過程で不規則なパレート前面を近似するために重量を適応させることに焦点が当てられていた。 しかし、これらの適応は、最終的にパレートフロントに最も適した探索プロセス中に重量を変更することで、通常のパレートフロントのパフォーマンスを実際に損なう可能性がある。 本稿では,分解型MOEA(ATM-MOEA/D)の重み適応トリガ機構というアルゴリズムを提案する。 ATM-MOEA/Dはアーカイブを使用して、検索中にパレートフロントの形状を徐々に近似する。 アルゴリズムが進化の停滞を検出すると(人口が著しく改善しないことを意味する)、人口分布とアーカイブの分布を比較して、通常のパレートフロントと不規則なパレートフロントを区別する。 不規則なパレト正面が特定された場合にのみ、重みが適応される。 実験結果から,提案アルゴリズムは不規則なパレートフロントにおける7つの最先端の重み適応法よりも一般的に優れているだけでなく,通常のパレートフロントにおけるMOEA/Dのような固定重み付き手法と同じ結果が得られることがわかった。

関連論文リスト

• Relative Pose Estimation through Affine Corrections of Monocular Depth Priors [69.59216331861437]
  本研究では,独立なアフィン(スケールとシフト)のあいまいさを明示的に考慮した相対ポーズ推定のための3つの解法を開発した。 提案する解法と古典的点ベース解法とエピポーラ制約を組み合わせたハイブリッド推定パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-01-09T18:58:30Z)
• How to Find the Exact Pareto Front for Multi-Objective MDPs? [28.70863169250383]
  多目的マルコフ決定プロセス (MO-MDPs) は, 現実の意思決定問題は, 単一目的のMDPでは対応できない相反する目的を伴うことが多いため, 注目を集めている。 本研究では,パレートフロントの効率的な発見という課題に対処する。 MO-MDPにおけるパレートフロントの幾何学的構造を調べた結果,鍵となる性質が明らかになった。 この洞察は、すべての政策間でのグローバルな比較を、一つの状態-作用ペアによって異なる決定論的ポリシー間の局所的な探索に変換する。
  論文  参考訳（メタデータ） (2024-10-21T01:03:54Z)
• UMOEA/D: A Multiobjective Evolutionary Algorithm for Uniform Pareto Objectives based on Decomposition [19.13435817442015]
  多目的最適化(MOO)は、多くのアプリケーションで広く使われている。 従来の手法では、PF全体を表すためにパレートの目的(PF上の粒子)の集合を利用するのが一般的であった。 本稿は,従来のMOO手法で見られる限られた多様性を緩和するため,PF上でのインフォニフォーム分散目的を構築することを提案する。
  論文  参考訳（メタデータ） (2024-02-14T08:09:46Z)
• Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance [52.093434664236014]
  近年の拡散モデルは、特定の逆問題に対して再訓練することなく、ノイズの多い線形逆問題に対する有望なゼロショット解を提供する。 この発見に触発されて、我々は、最大推定値から決定されるより原理化された共分散を用いて、最近の手法を改善することを提案する。
  論文  参考訳（メタデータ） (2024-02-03T13:35:39Z)
• Improving Variational Autoencoders with Density Gap-based Regularization [16.770753948524167]
  変分オートエンコーダ(VAE)は、潜時表現学習と潜時指向生成のためのNLPにおける強力な非教師なし学習フレームワークの1つである。 実際には、ELBoの最適化は、全ての試料の後方分布を同じ分解された局所最適値、すなわち後崩壊またはKL消滅に収束させる。 本稿では, 階層化後分布と先行分布との確率的密度ギャップに基づく新しい正規化により, 両問題に対処する新たな学習目標を提案する。
  論文  参考訳（メタデータ） (2022-11-01T08:17:10Z)
• A novel multiobjective evolutionary algorithm based on decomposition and multi-reference points strategy [14.102326122777475]
  分解に基づく多目的進化アルゴリズム(MOEA/D)は、多目的最適化問題(MOP)を解く上で、極めて有望なアプローチであると考えられている。 本稿では,よく知られたPascoletti-Serafiniスキャラライゼーション法とマルチ参照ポイントの新たな戦略により,MOEA/Dアルゴリズムの改良を提案する。
  論文  参考訳（メタデータ） (2021-10-27T02:07:08Z)
• Surrogate-Assisted Reference Vector Adaptation to Various Pareto Front Shapes for Many-Objective Bayesian Optimization [0.0]
  本稿では,高コストな多目的・多目的最適化問題を解くために,代用型参照ベクトル適応法(SRVA)を提案する。 提案アルゴリズムは他の2つのMBOアルゴリズムとベンチマーク問題に適用して比較する。 実験結果から, 対象関数がKrigingモデルにより合理的に近似された問題において, 提案アルゴリズムが他の2つより優れていることが示された。
  論文  参考訳（メタデータ） (2021-10-10T03:05:12Z)
• Adam revisited: a weighted past gradients perspective [57.54752290924522]
  本稿では,非収束問題に取り組むための適応法重み付け適応アルゴリズム(wada)を提案する。 私たちは、WADAが重み付きデータ依存の後悔境界を達成できることを証明します。
  論文  参考訳（メタデータ） (2021-01-01T14:01:52Z)
• Stein Variational Model Predictive Control [130.60527864489168]
  不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。 モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。 この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
  論文  参考訳（メタデータ） (2020-11-15T22:36:59Z)
• A Contrastive Learning Approach for Training Variational Autoencoder Priors [137.62674958536712]
  変分オートエンコーダ(VAE)は、多くの領域で応用される強力な可能性に基づく生成モデルの一つである。 VAEsが生成性に乏しいことの1つの説明は、事前の分布が集合の近似的な後部と一致しないという、事前の穴の問題である。 本研究では, 基底分布の積と再重み付け係数によって定義されるエネルギーベースの事前定義を行い, 基底を集合体後部へ近づけるようにした。
  論文  参考訳（メタデータ） (2020-10-06T17:59:02Z)
• Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
  また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。 これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-09-01T19:12:11Z)

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。