論文の概要: An Efficient Evolutionary Algorithm for Few-for-Many Optimization

• arxiv url: http://arxiv.org/abs/2601.06387v1
• Date: Sat, 10 Jan 2026 02:14:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.784973
• Title: An Efficient Evolutionary Algorithm for Few-for-Many Optimization
• Title（参考訳）: Few-for-Many最適化のための効率的な進化的アルゴリズム
• Authors: Ke Shang, Hisao Ishibuchi, Zexuan Zhu, Qingfu Zhang,
• Abstract要約: F4M (Few-for-Many) 最適化の目的は、競合する多数の目的を効果的に扱う小さなソリューションを見つけることである。 本稿では,F4M最適化問題の解法に適した新しい進化的アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 22.839626429376832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-for-many (F4M) optimization, recently introduced as a novel paradigm in multi-objective optimization, aims to find a small set of solutions that effectively handle a large number of conflicting objectives. Unlike traditional many-objective optimization methods, which typically attempt comprehensive coverage of the Pareto front, F4M optimization emphasizes finding a small representative solution set to efficiently address high-dimensional objective spaces. Motivated by the computational complexity and practical relevance of F4M optimization, this paper proposes a new evolutionary algorithm explicitly tailored for efficiently solving F4M optimization problems. Inspired by SMS-EMOA, our proposed approach employs a $(μ+1)$-evolution strategy guided by the objective of F4M optimization. Furthermore, to facilitate rigorous performance assessment, we propose a novel benchmark test suite specifically designed for F4M optimization by leveraging the similarity between the R2 indicator and F4M formulations. Our test suite is highly flexible, allowing any existing multi-objective optimization problem to be transformed into a corresponding F4M instance via scalarization using the weighted Tchebycheff function. Comprehensive experimental evaluations on benchmarks demonstrate the superior performance of our algorithm compared to existing state-of-the-art algorithms, especially on instances involving a large number of objectives. The source code of the proposed algorithm will be released publicly. Source code is available at https://github.com/MOL-SZU/SoM-EMOA.
• Abstract（参考訳）: F4M(Few-for-Many)最適化(F4M)は、最近、多目的最適化における新しいパラダイムとして導入され、競合する多数の目的を効果的に処理する小さなソリューションを見つけることを目的としている。 従来の多目的最適化手法とは異なり、F4M最適化は高次元の目的空間を効率的に扱うための小さな代表的解を見つけることを強調する。 本稿では、F4M最適化の計算複雑性と実用的妥当性を動機として、F4M最適化問題を効率的に解くための新しい進化的アルゴリズムを提案する。 SMS-EMOAにインスパイアされた提案手法では,F4M最適化の目的に導かれる$(μ+1)$-evolution戦略を採用している。 さらに、厳密な性能評価を容易にするために、R2指標とF4M定式化との類似性を利用して、F4M最適化に特化して設計された新しいベンチマークテストスイートを提案する。 テストスイートは非常に柔軟であり、重み付きTchebycheff関数を用いたスカラー化により、既存の多目的最適化問題を対応するF4Mインスタンスに変換することができる。 ベンチマークの総合的な実験的評価は、既存の最先端アルゴリズム、特に多数の目的を含むインスタンスにおいて、我々のアルゴリズムの優れた性能を示す。 提案アルゴリズムのソースコードは一般公開される予定だ。 ソースコードはhttps://github.com/MOL-SZU/SoM-EMOAで入手できる。

関連論文リスト

• Scalable Min-Max Optimization via Primal-Dual Exact Pareto Optimization [66.51747366239299]
  拡張ラグランジアンに基づくmin-max問題のスムーズな変種を提案する。 提案アルゴリズムは, 段階的戦略よりも目的数で拡張性が高い。
  論文  参考訳（メタデータ） (2025-03-16T11:05:51Z)
• Discovering Preference Optimization Algorithms with and for Large Language Models [50.843710797024805]
  オフライン優先最適化は、LLM(Large Language Model)出力の品質を向上・制御するための重要な手法である。 我々は、人間の介入なしに、新しい最先端の選好最適化アルゴリズムを自動で発見する客観的発見を行う。 実験は、ロジスティックと指数的損失を適応的にブレンドする新しいアルゴリズムであるDiscoPOPの最先端性能を示す。
  論文  参考訳（メタデータ） (2024-06-12T16:58:41Z)
• qPOTS: Efficient batch multiobjective Bayesian optimization via Pareto optimal Thompson sampling [0.0]
  多目的最適化を解くためのサンプル効率のアプローチは、プロセス・オラクル・サロゲート(GP)とMOBOOTS$である。 我々はトンプソンサンプリング(TS)に基づくアプローチ(qtextttPOTS$)を提案する。 $qtextttPOTS$は、GP後部の安価な多目的最適化を進化的アプローチで解決する。
  論文  参考訳（メタデータ） (2023-10-24T12:35:15Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• A Simple Evolutionary Algorithm for Multi-modal Multi-objective Optimization [0.0]
  マルチモーダル・多目的最適化問題(MMOP)を解くための定常進化アルゴリズムを提案する。 本報告では,1000関数評価の低計算予算を用いて,様々なテストスイートから得られた21個のMMOPの性能について報告する。
  論文  参考訳（メタデータ） (2022-01-18T03:31:11Z)
• 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)
• Batched Data-Driven Evolutionary Multi-Objective Optimization Based on Manifold Interpolation [6.560512252982714]
  バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。 オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。 提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
  論文  参考訳（メタデータ） (2021-09-12T23:54:26Z)
• Iterative Domain Optimization [0.0]
  目的関数が直接最適化可能でないことを示すが、各イテレーションにおいて、この目的関数を他の関数で近似して最適化する手法を用いる。 次に、機械学習におけるこのアルゴリズムのユースケースを探り、モデルがいくつかの制約に対して大小の値を出力する領域を見つける。
  論文  参考訳（メタデータ） (2020-05-12T14:05:49Z)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。