論文の概要: Customized Exploration of Landscape Features Driving Multi-Objective Combinatorial Optimization Performance

• arxiv url: http://arxiv.org/abs/2507.01638v1
• Date: Wed, 02 Jul 2025 12:11:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.188031
• Title: Customized Exploration of Landscape Features Driving Multi-Objective Combinatorial Optimization Performance
• Title（参考訳）: 多目的組合せ最適化性能を駆動する景観特徴のカスタマイズ探索
• Authors: Ana Nikolikj, Gabriela Ochoa, Tome Eftimov,
• Abstract要約: 本稿では,多目的最適化アルゴリズムの性能予測のための景観特徴の解析を行う。 ベンチマークインスタンスは、rmnk-landscapesのセットで、2と3の目的と様々なレベルの頑丈さと客観的な相関がある。 調整された分析により,特定の景観に特有のアルゴリズム性能に影響を与える特徴の組み合わせが明らかになった。
• 参考スコア（独自算出の注目度）: 2.9845592719739127
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present an analysis of landscape features for predicting the performance of multi-objective combinatorial optimization algorithms. We consider features from the recently proposed compressed Pareto Local Optimal Solutions Networks (C-PLOS-net) model of combinatorial landscapes. The benchmark instances are a set of rmnk-landscapes with 2 and 3 objectives and various levels of ruggedness and objective correlation. We consider the performance of three algorithms -- Pareto Local Search (PLS), Global Simple EMO Optimizer (GSEMO), and Non-dominated Sorting Genetic Algorithm (NSGA-II) - using the resolution and hypervolume metrics. Our tailored analysis reveals feature combinations that influence algorithm performance specific to certain landscapes. This study provides deeper insights into feature importance, tailored to specific rmnk-landscapes and algorithms.
• Abstract（参考訳）: 本稿では,多目的組合せ最適化アルゴリズムの性能予測のためのランドスケープ特性の解析を行う。 本稿では,最近提案された圧縮されたPareto Local Optimal Solutions Networks(C-PLOS-net)モデルの特徴について考察する。 ベンチマークインスタンスはrmnk-landscapesのセットで、2と3の目的と様々なレベルの頑丈さと客観的な相関がある。 本稿では,Palreto Local Search (PLS), Global Simple EMO Optimizer (GSEMO), Non-dominated Sorting Genetic Algorithm (NSGA-II) の3つのアルゴリズムの性能について検討する。 調整された分析により,特定の景観に特有のアルゴリズム性能に影響を与える特徴の組み合わせが明らかになった。 この研究は、特定のrmnkランドスケープやアルゴリズムに合わせて、機能の重要性に関する深い洞察を提供する。

関連論文リスト

• Multi-objective Memetic Algorithm with Adaptive Weights for Inverse Antenna Design [0.0]
  局所最小値の勾配に基づく探索と最適化を組み合わせたメメティックアルゴリズムを提案する。 重要な進歩は、最適化中の目的関数の適応重み付けである。 実装されたアルゴリズムはアンテナ逆設計問題に適用され、機械学習ツールの効率的なデータマイナである。
  論文  参考訳（メタデータ） (2024-08-07T08:43:38Z)
• Hybridizing Target- and SHAP-encoded Features for Algorithm Selection in Mixed-variable Black-box Optimization [0.9049664874474738]
  ELAは問題理解、アルゴリズム設計、自動アルゴリズムの選択や設定などのアプリケーションに使われている。 最近まで、ERAは連続変数または離散変数を持つ探索空間に限られており、混合変数の問題を無視していた。 このギャップは、ターゲットエンコーディングに基づくアプローチを用いて、混合問題に対する探索的な景観特徴を計算する最近の研究で解決された。
  論文  参考訳（メタデータ） (2024-07-10T07:47:31Z)
• Maximize to Explore: One Objective Function Fusing Estimation, Planning, and Exploration [87.53543137162488]
  我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。 textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。 様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:25:26Z)
• HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel Neural Architecture Search [104.45426861115972]
  設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。 我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。 6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
  論文  参考訳（メタデータ） (2023-04-23T17:27:40Z)
• Multi-objective hyperparameter optimization with performance uncertainty [62.997667081978825]
  本稿では,機械学習アルゴリズムの評価における不確実性を考慮した多目的ハイパーパラメータ最適化の結果について述べる。 木構造型Parzen Estimator(TPE)のサンプリング戦略と、ガウス過程回帰(GPR)と異種雑音の訓練後に得られたメタモデルを組み合わせる。 3つの解析的テスト関数と3つのML問題の実験結果は、多目的TPEとGPRよりも改善したことを示している。
  論文  参考訳（メタデータ） (2022-09-09T14:58:43Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Explainable Landscape-Aware Optimization Performance Prediction [0.0]
  ランドスケープを考慮した回帰モデルについて検討する。 各景観特徴の最適化アルゴリズム性能予測への寄与を,グローバルおよびローカルレベルで推定する。 その結果、異なる問題インスタンスに対して異なる機能セットが重要であるという概念の証明が得られた。
  論文  参考訳（メタデータ） (2021-10-22T07:46:33Z)
• Generalization in portfolio-based algorithm selection [97.74604695303285]
  ポートフォリオベースのアルゴリズム選択に関する最初の証明可能な保証を提供する。 ポートフォリオが大きければ、非常に単純なアルゴリズムセレクタであっても、過剰適合は避けられないことを示す。
  論文  参考訳（メタデータ） (2020-12-24T16:33:17Z)
• Multi-layer local optima networks for the analysis of advanced local search-based algorithms [0.6299766708197881]
  ローカルオプティマスネットワーク(Local Optima Network, LON)は、特定の近傍演算子と局所探索アルゴリズムに基づいて、特定の最適化問題のフィットネスランドスケープを圧縮するグラフモデルである。 本稿では、多層LONの概念と、フィットネスランドスケープ分析のためのメトリクス抽出を目的としたこれらのモデルを探索するための方法論を提案する。
  論文  参考訳（メタデータ） (2020-04-29T03:20:01Z)

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。