論文の概要: CR-BLEA: Contrastive Ranking for Adaptive Resource Allocation in Bilevel Evolutionary Algorithms

• arxiv url: http://arxiv.org/abs/2506.06362v1
• Date: Tue, 03 Jun 2025 17:31:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.231782
• Title: CR-BLEA: Contrastive Ranking for Adaptive Resource Allocation in Bilevel Evolutionary Algorithms
• Title（参考訳）: CR-BLEA:二段階進化アルゴリズムにおける適応的資源割当のコントラストランク付け
• Authors: Dejun Xu, Jijia Chen, Gary G. Yen, Min Jiang,
• Abstract要約: 双レベル最適化は、ネスト構造のため、重要な計算上の課題となる。 本稿では,二段階進化アルゴリズムのための新しい資源配分フレームワークを提案する。 我々のフレームワークは、解の正確性を維持しながら、計算コストを大幅に削減します。
• 参考スコア（独自算出の注目度）: 9.411648722302711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bilevel optimization poses a significant computational challenge due to its nested structure, where each upper-level candidate solution requires solving a corresponding lower-level problem. While evolutionary algorithms (EAs) are effective at navigating such complex landscapes, their high resource demands remain a key bottleneck -- particularly the redundant evaluation of numerous unpromising lower-level tasks. Despite recent advances in multitasking and transfer learning, resource waste persists. To address this issue, we propose a novel resource allocation framework for bilevel EAs that selectively identifies and focuses on promising lower-level tasks. Central to our approach is a contrastive ranking network that learns relational patterns between paired upper- and lower-level solutions online. This knowledge guides a reference-based ranking strategy that prioritizes tasks for optimization and adaptively controls resampling based on estimated population quality. Comprehensive experiments across five state-of-the-art bilevel algorithms show that our framework significantly reduces computational cost while preserving -- or even enhancing -- solution accuracy. This work offers a generalizable strategy to improve the efficiency of bilevel EAs, paving the way for more scalable bilevel optimization.
• Abstract（参考訳）: 双レベル最適化は、各上位レベル候補解が対応する下位レベル問題の解を必要とするネスト構造のため、重要な計算課題となる。 進化的アルゴリズム(EA)は複雑な環境をナビゲートする上で有効であるが、その高いリソース要求は依然として重要なボトルネックであり、特に未成熟の低レベルのタスクを冗長に評価する。 近年のマルチタスクとトランスファー学習の進歩にもかかわらず、資源の無駄は持続している。 この問題に対処するため,我々は,有望な低レベルタスクを選択的に識別し,焦点を絞った,バイレベルEAのための新たなリソース割り当てフレームワークを提案する。 私たちのアプローチの中心は、オンライン上層と下層の2つのソリューション間の関係パターンを学習する、対照的なランキングネットワークです。 この知識は、基準に基づくランキング戦略を導き、最適化のためのタスクを優先順位付けし、推定人口の質に基づいて再サンプリングを適応的に制御する。 5つの最先端の2レベルアルゴリズムに対する総合的な実験により、我々のフレームワークは、解の正確さを保ちながら、計算コストを著しく削減します。 この作業は、二レベルEAの効率を改善するための一般化可能な戦略を提供し、よりスケーラブルな二レベル最適化の道を開く。

関連論文リスト

• Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
  勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。 本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。 合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2024-11-07T17:05:31Z)
• An Efficient Dynamic Resource Allocation Framework for Evolutionary Bilevel Optimization [14.51523276196879]
  両レベル最適化問題は、上層階が、下層階の応答を同時に考慮しながら、その戦略を最適化しようとする対話的階層構造によって特徴づけられる。 本稿では、進化的二段階最適化のための効率的な動的リソース割り当てフレームワーク DRC-BLEA を提案する。
  論文  参考訳（メタデータ） (2024-10-31T16:17:11Z)
• Pareto Set Prediction Assisted Bilevel Multi-objective Optimization [2.3293561091456283]
  両レベルにおいて複数目的(BLMOP)の問題に対処する。 提案されたアプローチは、欺くことと非欺くことの両方を含む、さまざまな問題で競合する。
  論文  参考訳（メタデータ） (2024-09-05T08:04:11Z)
• A Primal-Dual-Assisted Penalty Approach to Bilevel Optimization with Coupled Constraints [66.61399765513383]
  We developed a BLOCC algorithm to tackle BiLevel Optimization problems with Coupled Constraints。 2つのよく知られた実世界のアプリケーションでその効果を実証する。
  論文  参考訳（メタデータ） (2024-06-14T15:59:36Z)
• PARL: A Unified Framework for Policy Alignment in Reinforcement Learning from Human Feedback [106.63518036538163]
  我々は、強化学習におけるポリシーアライメントの最近強調された重要な問題に対処するために、新しい統合された二段階最適化ベースのフレームワーク、textsfPARLを提案する。 本フレームワークは, 上向きの目標(逆設計)の分布を, 下向きの最適変数で明示的にパラメータ化することにより, これらの問題に対処する。 その結果,提案したtextsfPARL が RL のアライメントの懸念に対処できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-03T18:03:44Z)
• Communication-Efficient Federated Bilevel Optimization with Local and Global Lower Level Problems [118.00379425831566]
  我々はFedBiOAccという通信効率の高いアルゴリズムを提案する。 我々は、FedBiOAcc-Localがこの種の問題に対して同じ速度で収束していることを証明する。 実験結果から,アルゴリズムの性能が向上した。
  論文  参考訳（メタデータ） (2023-02-13T21:28:53Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)

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。