論文の概要: Deep Reinforcement Learning-Assisted Component Auto-Configuration of Differential Evolution Algorithm for Constrained Optimization: A Foundation Model

• arxiv url: http://arxiv.org/abs/2509.11016v1
• Date: Sun, 14 Sep 2025 00:14:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.877082
• Title: Deep Reinforcement Learning-Assisted Component Auto-Configuration of Differential Evolution Algorithm for Constrained Optimization: A Foundation Model
• Title（参考訳）: 制約付き最適化のための微分進化アルゴリズムの深層強化学習支援コンポーネント自動構成:基礎モデル
• Authors: Xu Yang, Rui Wang, Kaiwen Li, Wenhua Li, Ling Wang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.957830806430733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite significant efforts to manually design high-performance evolutionary algorithms, their adaptability remains limited due to the dynamic and ever-evolving nature of real-world problems. The "no free lunch" theorem highlights that no single algorithm performs optimally across all problems. While online adaptation methods have been proposed, they often suffer from inefficiency, weak convergence, and limited generalization on constrained optimization problems (COPs). To address these challenges, we introduce a novel framework for automated component configuration in Differential Evolution (DE) algorithm to address COPs, powered by Deep Reinforcement Learning (DRL). Specifically, we propose SuperDE, a foundation model that dynamically configures DE's evolutionary components based on real-time evolution. Trained offline through meta-learning across a wide variety of COPs, SuperDE is capable of recommending optimal per-generation configurations for unseen problems in a zero-shot manner. Utilizing a Double Deep Q-Network (DDQN), SuperDE adapts its configuration strategies in response to the evolving population states during optimization. Experimental results demonstrate that SuperDE significantly outperforms existing state-of-the-art algorithms on benchmark test suites, achieving superior generalization and optimization performance.
• Abstract（参考訳）: 手動で高性能な進化アルゴリズムを設計しようとする大きな努力にもかかわらず、それらの適応性は現実世界の問題の動的かつ絶え間なく進化する性質のために制限されている。 無料ランチ」定理は、全ての問題に対して最適なアルゴリズムが存在しないことを強調している。 オンライン適応法は提案されているが、しばしば非効率、弱収束、制約付き最適化問題(COP)の限定的な一般化に悩まされる。 これらの課題に対処するために,Deep Reinforcement Learning (DRL) を利用したCOPに対処するため,微分進化法(DE)アルゴリズムにおけるコンポーネントの自動構成のための新しいフレームワークを提案する。 具体的には、リアルタイム進化に基づいて、Deの進化的コンポーネントを動的に構成する基盤モデルであるSuperDEを提案する。 さまざまなCOPのメタ学習を通じてオフラインでトレーニングされているSuperDEは、ゼロショット方式で見えない問題に対して、世代ごとの最適な設定を推奨することができる。 DDQN(Double Deep Q-Network)を利用することで、SuperDEは最適化中の人口状態の変化に対応する構成戦略を適用する。 実験結果から,SuperDEはベンチマークテストスイート上で既存の最先端アルゴリズムを著しく上回り,より優れた一般化と最適化性能を実現していることが示された。

関連論文リスト

• Graph-Supported Dynamic Algorithm Configuration for Multi-Objective Combinatorial Optimization [5.481047026874548]
  本稿では,多目的進化アルゴリズムを構成する新しいグラフニューラルネットワーク(GNN)のDRLを提案する。 動的アルゴリズムの構成をマルコフ決定過程としてモデル化し、グラフによる対象空間における解の収束を表現する。 多様なMOCO課題に対する実験により,本手法は従来手法およびDRL方式のアルゴリズム構成法よりも有効性と適応性に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-05-22T09:53:54Z)
• 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)
• Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。 本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
  論文  参考訳（メタデータ） (2023-12-28T23:15:18Z)
• Advancements in Optimization: Adaptive Differential Evolution with Diversification Strategy [0.0]
  この研究は2次元空間において単目的最適化を採用し、複数の反復で各ベンチマーク関数上でADEDSを実行する。 ADEDSは、多くの局所最適化、プレート型、谷型、伸縮型、ノイズの多い機能を含む様々な最適化課題において、標準Dより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-02T10:05:41Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• Accelerated Federated Learning with Decoupled Adaptive Optimization [53.230515878096426]
  フェデレートドラーニング(FL)フレームワークは、クライアント上のトレーニングデータのプライバシを維持しながら、共有モデルを協調的に学習することを可能にする。 近年,SGDM,Adam,AdaGradなどの集中型適応最適化手法をフェデレートした設定に一般化するためのイテレーションが多数実施されている。 本研究は、常微分方程式(ODE)のダイナミクスの観点から、FLの新しい適応最適化手法を開発することを目的としている。
  論文  参考訳（メタデータ） (2022-07-14T22:46:43Z)
• Speeding up Computational Morphogenesis with Online Neural Synthetic Gradients [51.42959998304931]
  現代科学および工学の適用の広い範囲は制約として部分的な微分方程式(PDEs)のシステムとの最適化問題として定式化されます。 これらのPDE制約最適化問題は通常、標準のDisretize-then-optimizeアプローチで解決される。 オンラインニューラル合成勾配(ONSG)を用いたPDE制約最適化の高速化のための新しい2スケール最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-04-25T22:43:51Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)
• 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。