論文の概要: On Scalability of Multi-Objective Evolutionary Algorithms on Combinatorial Optimisation Problems

• arxiv url: http://arxiv.org/abs/2604.17872v1
• Date: Mon, 20 Apr 2026 06:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.73052
• Title: On Scalability of Multi-Objective Evolutionary Algorithms on Combinatorial Optimisation Problems
• Title（参考訳）: 組合せ最適化問題に対する多目的進化アルゴリズムのスケーラビリティについて
• Authors: Menghao Tang, Zimin Liang, Miqing Li,
• Abstract要約: 多目的最適化問題(MOCOP)は連続的な問題とは異なる。 これらの離散的かつ剛性的な構造は、しばしば荒れ果てた風景、多くの局所最適解、および非結合な大域的最適領域をもたらす。 NSGA-II,SMS-EMOA,MOEA/Dなどの他のMOEAと比較して,SEMOは次元が増加するにつれて速度が低下することを示す。
• 参考スコア（独自算出の注目度）: 7.245716630803248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scalability of evolutionary algorithms refers to assessing how their performance changes as problem size increases. In the area of multi-objective optimisation, research on the scalability of multi-objective evolutionary algorithms (MOEAs) has predominantly focussed on continuous problems. However, multi-objective combinatorial optimisation problems (MOCOPs) differ from continuous ones. Their discrete and rigid structure often brings rugged landscape, numerous local optimal solutions and disjoint global optimal regions. This leads to different behaviour of MOEAs. For example, SEMO, a simple MOEA without mating selection and diversity maintenance mechanisms, has been shown to be highly competitive, and in many cases to outperform more sophisticated MOEAs on MOCOPs. Yet, it remains unclear whether such findings hold for large-scale cases. In this paper, we conduct an empirical investigation into the scalability of MOEAs on combinatorial problems, with problem size from 50 to 5,000. Our results show that SEMO experiences a decline in convergence speed as dimensionality increases, compared to other MOEAs such as NSGA-II, SMS-EMOA and MOEA/D. We further demonstrate that the absence of crossover is a major contributor to SEMO's underperformance in large-scale problems, and that incorporating crossover into SEMO can substantially accelerate convergence in general, despite being detrimental in spreading solutions over the Pareto front.
• Abstract（参考訳）: 進化的アルゴリズムのスケーラビリティは、問題のサイズが大きくなるにつれてパフォーマンスがどのように変化するかを評価することを指す。 多目的最適化の分野では、多目的進化アルゴリズム(MOEA)のスケーラビリティに関する研究は、主に継続的問題に焦点を当てている。 しかし、多目的組合せ最適化問題(MOCOP)は連続的な問題とは異なる。 これらの離散的かつ剛性的な構造は、しばしば荒れ果てた風景、多くの局所最適解、および非結合な大域的最適領域をもたらす。 これはMOEAの異なる振る舞いにつながります。 例えば、交配選択や多様性維持機構を持たない単純なMOEAであるSEMOは競争力が高く、多くの場合、MOCOPのより洗練されたMOEAよりも優れていることが示されている。 しかし、これらの所見が大規模症例に当てはまるかどうかは不明である。 本稿では,組合せ問題におけるMOEAのスケーラビリティについて,50から5000までの課題サイズで実証検討する。 その結果,SEMOはNSGA-II,SMS-EMOA,MOEA/Dなどの他のMOEAと比較して,次元が増加するにつれて収束速度が低下することがわかった。 さらに, クロスオーバーの欠如は, 大規模問題におけるSEMOの過小評価に大きく寄与するものであり, クロスオーバーをSEMOに組み込むことは, パレート前線におけるソリューションの普及に支障があるにもかかわらず, 一般的には収束を著しく加速することを示した。

関連論文リスト

• Benchmarking MOEAs for solving continuous multi-objective RL problems [3.8936716676293917]
  多目的強化学習(MORL)は、複数の、しばしば矛盾する報酬を同時に最適化する課題に対処する。 本稿では,複雑なMORL問題の解法における多目的進化アルゴリズムの適用性と限界について検討する。
  論文  参考訳（メタデータ） (2025-05-19T20:54:20Z)
• Understanding and Mitigating Bottlenecks of State Space Models through the Lens of Recency and Over-smoothing [56.66469232740998]
  構造化状態空間モデル (Structured State Space Models, SSMs) は, 強い相対バイアスによって本質的に制限されていることを示す。 このバイアスにより、モデルが遠方の情報を思い出す能力が損なわれ、堅牢性の問題がもたらされる。 本研究では, 状態遷移行列の2つのチャネルをSSMで分極し, それぞれ0と1に設定し, 電流バイアスと過平滑化に同時に対処することを提案する。
  論文  参考訳（メタデータ） (2024-12-31T22:06:39Z)
• On-the-fly Modulation for Balanced Multimodal Learning [53.616094855778954]
  マルチモーダル学習は、異なるモーダルからの情報を統合することでモデル性能を向上させることが期待されている。 広く使われている共同トレーニング戦略は、不均衡で最適化されていないユニモーダル表現につながる。 そこで本研究では,OGM(On-the-fly Prediction Modulation)とOGM(On-the-fly Gradient Modulation)の戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-15T13:15:50Z)
• Diversifying the Mixture-of-Experts Representation for Language Models with Orthogonal Optimizer [59.43462055143123]
  The Mixture of Experts (MoE)は、ディープラーニングにおいて非常に成功したテクニックとして登場した。 本研究では,MoEの専門家が多様性の専門化や欠如に失敗した同質表現問題に光を当てた。 我々は,各専門家が他の専門家に分散された部分空間への方向を更新するように促す訓練戦略を交互に提案する。
  論文  参考訳（メタデータ） (2023-10-15T07:20:28Z)
• A Fitness-assignment Method for Evolutionary Constrained Multi-objective Optimization [5.757908778750608]
  IcSDE+と呼ばれる単一人口適応型CMOEAを提案する。 IcSDE+は制約違反(c)、シフトベース密度推定(SDE)、目的の和(+)の効率的な融合である IcSDE+の性能は、異なる特徴を持つ6つのベンチマークスイート上の9つの最先端CMOEAと比較して好意的に比較される。
  論文  参考訳（メタデータ） (2023-05-30T04:19:01Z)
• A Survey on Learnable Evolutionary Algorithms for Scalable Multiobjective Optimization [0.0]
  多目的進化アルゴリズム(MOEA)は、様々な多目的最適化問題(MOP)を解決するために採用されている。 しかし、これらの進歩的に改善されたMOEAは、必ずしも高度にスケーラブルで学習可能な問題解決戦略を備えていない。 異なるシナリオの下では、効果的に解決するための新しい強力なMOEAを設計する必要がある。 MOPをスケールアップするための機械学習技術で自身を操る学習可能なMOEAの研究は、進化計算の分野で広く注目を集めている。
  論文  参考訳（メタデータ） (2022-06-23T08:16:01Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Niching Diversity Estimation for Multi-modal Multi-objective Optimization [9.584279193016522]
  ニッチは進化的多目的最適化において重要かつ広く用いられている手法である。 MMOPでは、対象空間の解は決定空間に複数の逆像を持つことができ、これは等価解と呼ばれる。 MMOPの処理において、標準多様性推定器をより効率的にするために、一般的なニチング機構を提案する。
  論文  参考訳（メタデータ） (2021-01-31T05:23:31Z)
• Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization [0.0]
  本稿では、MoHAEAと呼ばれるハイブリッド適応進化アルゴリズム(HAEA)の拡張として、新しい多目的アルゴリズムを提案する。 MoHAEAは、MOEA/D、pa$lambda$-MOEA/D、MOEA/D-AWA、NSGA-IIの4つの状態と比較される。
  論文  参考訳（メタデータ） (2020-04-29T02:16:49Z)

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。