論文の概要: Ranking Constraints via Topological Dual-Directional Search in Evolutionary Multi-Objective Optimization

• arxiv url: http://arxiv.org/abs/2604.04724v1
• Date: Mon, 06 Apr 2026 14:47:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.232135
• Title: Ranking Constraints via Topological Dual-Directional Search in Evolutionary Multi-Objective Optimization
• Title（参考訳）: 進化的多目的最適化におけるトポロジカル2方向探索によるランク付け制約
• Authors: Ruiqing Sun, Dawei Feng, Sheng Qi, Xing Zhou, Lianghao Li, Bo Ding, Yijie Wang, Rui Wang, Huaimin Wang,
• Abstract要約: 本稿では,制約のない探索,単一制約利用,完全制約改善を順次実施するRCCMOという新しいアルゴリズムを提案する。 RCCMOはまず、最終CPFを構成する制約を優先し、進化方向からアプローチする。 人口の進行を妨げるだけの制約に対して、RCCMOは反進化的な方向から探索する。
• 参考スコア（独自算出の注目度）: 26.967831462095067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing evolutionary algorithms for Constrained Multi-objective Optimization Problems (CMOPs) typically treat all constraints uniformly, overlooking their distinct geometric relationships with the true Constrained Pareto Front (CPF). In reality, constraints play different roles: some directly shape the final CPF, some create infeasible obstacles, while others are irrelevant. To exploit this insight, we propose a novel algorithm named RCCMO, which sequentially performs unconstrained exploration, single-constraint exploitation, and full-constraint refinement. The core innovation of RCCMO lies in a constraint prioritization method derived from these geometric insights, seamlessly coupled with a unique dual-directional search mechanism. Specifically, RCCMO first prioritizes constraints that constitute the final CPF, approaching them from the evolutionary direction (optimizing objectives) to locate the CPF directly shaped by single-constraint boundaries. Subsequently, for constraints that merely hinder the population's progress, RCCMO searches from the anti-evolutionary direction (targeting the infeasible boundaries where hindering constraints intersect with the CPF) to effectively discover how these constraints obstruct and form the final CPF. Meanwhile, irrelevant constraints are intentionally bypassed. Furthermore, a series of specialized mechanisms are proposed to accelerate the algorithm's execution, reduce heuristic misjudgments, and dynamically adjust search directions in real time. Extensive experiments on 5 benchmark test suites and 29 real-world CMOPs demonstrate that RCCMO significantly outperforms seven state-of-the-art algorithms.
• Abstract（参考訳）: 既存のCMOP(Constrained Multi-Objective Optimization Problems)の進化的アルゴリズムは、一般に全ての制約を一様に扱い、真のCPF(Constrained Pareto Front)と異なる幾何学的関係を見渡す。 制約は、最終的なCPFを直接形作るものもあれば、実現不可能な障害を生み出すものもあれば、無関係なものもある。 本研究では,この知見を活かすためにRCCMOという新しいアルゴリズムを提案する。 RCCMOの中核的な革新は、これらの幾何学的洞察から導かれた制約優先化手法であり、ユニークな双方向探索機構とシームレスに結合している。 具体的には、RCCMOはまず最終CPFを構成する制約を優先順位付けし、進化方向(最適化目標)から接近して、単一制約境界によって直接形成されるCPFを見つける。 その後、人口の進行を阻害するだけの制約に対して、RCCMOは反進化的方向(CPFと干渉する障害のある領域を狙う)から探索し、これらの制約がいかにしてCPFを阻害し、最終的なCPFを形成するのかを効果的に発見する。 一方、無関係な制約は意図的にバイパスされる。 さらに,アルゴリズムの実行を高速化し,ヒューリスティックな誤った判断を減らし,探索方向をリアルタイムで動的に調整する,一連の特殊な機構を提案する。 5つのベンチマークテストスイートと29の現実世界のCMOPに関する大規模な実験は、RCCMOが7つの最先端アルゴリズムを大幅に上回っていることを示している。

関連論文リスト

• Automatic Constraint Policy Optimization based on Continuous Constraint Interpolation Framework for Offline Reinforcement Learning [2.0719232729184145]
  オフライン強化学習(RL)は、パフォーマンスを形作るためのポリシー制約に依存している。 既存のほとんどのメソッドは単一の制約ファミリにコミットします。 本稿では,統合最適化フレームワークであるContinuous Constraint Interpolation (CCI)を提案する。
  論文  参考訳（メタデータ） (2026-01-30T14:21:41Z)
• Decoupling Constraint from Two Direction in Evolutionary Constrained Multi-objective Optimization [26.967831462095067]
  2方向からの分離制約(DCF2D)という新しいアルゴリズムを提案する。 周期的に制約結合を検出し、適切な探索方向で各制約に対して補助的な集団を生成する。 7つの挑戦的なCMOPベンチマークスイートと実際のCMOPのコレクションの実験は、DCF2Dが5つの最先端のCMOEAを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-12-30T02:22:32Z)
• Learn to Relax with Large Language Models: Solving Nonlinear Combinatorial Optimization Problems via Bidirectional Coevolution [10.160534429260228]
  我々は、コードでリラックスする学習を通じてNCOPの解像度に革命をもたらす、最初のエンドツーエンドの textbf Automated textbfConst textbfOptimization (AutoCO) 手法を導入する。
  論文  参考訳（メタデータ） (2025-09-16T03:59:51Z)
• RBF++: Quantifying and Optimizing Reasoning Boundaries across Measurable and Unmeasurable Capabilities for Chain-of-Thought Reasoning [60.84707424369494]
  CoT(Chain-of-Thought)推論は、複雑なタスクにおける大規模言語モデル(LLM)の強化に有効であることが証明されている。 CoT 機能の計測可能なバウンダリの評価と最適化を行うフレームワークである Reasoning Boundary Framework++ (RBF++) を紹介する。
  論文  参考訳（メタデータ） (2025-05-19T16:25:55Z)
• Single-loop Algorithms for Stochastic Non-convex Optimization with Weakly-Convex Constraints [49.76332265680669]
  本稿では、目的関数と制約関数の両方が弱凸である問題の重要な部分集合について検討する。 既存の手法では、収束速度の遅さや二重ループ設計への依存など、しばしば制限に直面している。 これらの課題を克服するために,新しい単一ループペナルティに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-21T17:15:48Z)
• Last-Iterate Global Convergence of Policy Gradients for Constrained Reinforcement Learning [62.81324245896717]
  我々はC-PGと呼ばれる探索非依存のアルゴリズムを導入し、このアルゴリズムは(弱)勾配支配仮定の下でのグローバルな最終点収束を保証する。 制約付き制御問題に対して,我々のアルゴリズムを数値的に検証し,それらを最先端のベースラインと比較する。
  論文  参考訳（メタデータ） (2024-07-15T14:54:57Z)
• Double Duality: Variational Primal-Dual Policy Optimization for Constrained Reinforcement Learning [132.7040981721302]
  本研究では,訪問尺度の凸関数を最小化することを目的として,制約付き凸決定プロセス(MDP)について検討する。 制約付き凸MDPの設計アルゴリズムは、大きな状態空間を扱うなど、いくつかの課題に直面している。
  論文  参考訳（メタデータ） (2024-02-16T16:35:18Z)
• Faster Algorithm and Sharper Analysis for Constrained Markov Decision Process [56.55075925645864]
  制約付き意思決定プロセス (CMDP) の問題点について検討し, エージェントは, 複数の制約を条件として, 期待される累積割引報酬を最大化することを目的とする。 新しいユーティリティ・デュアル凸法は、正規化ポリシー、双対正則化、ネステロフの勾配降下双対という3つの要素の新たな統合によって提案される。 これは、凸制約を受ける全ての複雑性最適化に対して、非凸CMDP問題が$mathcal O (1/epsilon)$の低い境界に達する最初の実演である。
  論文  参考訳（メタデータ） (2021-10-20T02:57:21Z)

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。