論文の概要: On the Use of Survival Selection Methods for Evolutionary Diversity Optimisation

• arxiv url: http://arxiv.org/abs/2606.21161v1
• Date: Fri, 19 Jun 2026 06:56:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 07:48:40.935491
• Title: On the Use of Survival Selection Methods for Evolutionary Diversity Optimisation
• Title（参考訳）: 進化的多様性最適化のための生存的選択法の利用について
• Authors: Adel Nikfarjam, Jakob Bossek, Aneta Neumann, Frank Neumann,
• Abstract要約: 進化的多様性最適化(EDO) ゴールは、品質制約の対象となるソリューションの多様性を最大化することです。 ほとんどのEDOアプローチは、世代毎にひとつの新しいソリューションを生成し、多様性に最も貢献していないソリューションを捨てます。
• 参考スコア（独自算出の注目度）: 9.03899860279948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating a diverse set of high quality solutions for an optimisation problem has been studied extensively in recent years by the evolutionary computation community. A paradigm that has received increasing attention is evolutionary diversity optimisation (EDO), where the goal is to maximise the diversity of a solution set subject to quality constraints. Since the contribution of each solution to the diversity of the population depends on other solutions and can change dramatically if several solutions in the population are modified simultaneously, most EDO approaches generate a single new solution per generation and discard the solution with the least contribution to diversity, ensuring a steady increase in population diversity over successive generations until convergence. In this study, we aim to answer two questions: (1) Is generating multiple solutions in each generation beneficial for EDO? (2) How can this be achieved efficiently, given that conventional survival selection methods do not work well in EDO due to the dependency of a solution's contribution to diversity on other solutions?
• Abstract（参考訳）: 最適化問題に対する様々な高品質なソリューションの生成は、近年、進化計算コミュニティによって広く研究されている。 注目されているパラダイムは進化的多様性最適化(EDO)であり、ゴールは品質制約の対象となるソリューションの多様性を最大化することである。 集団の多様性に対する各解の寄与は他の解に依存するため、集団内のいくつかの解が同時に修正されると劇的に変化するので、ほとんどのEDOアプローチは世代ごとに1つの新しい解を生成し、多様性への最小の寄与で解を破棄する。 本研究では,1)各世代に複数のソリューションを生成することは,EDOにとって有益か,という2つの問いに答える。 2) ソリューションの多様性への貢献が他のソリューションに依存しているため、従来の生存選択法がEDOでうまく機能しないため、これを効率的に達成するにはどうすればよいのか。

関連論文リスト

• EvoX: Meta-Evolution for Automated Discovery [115.89434419482797]
  EvoXは、独自の進化過程を最適化する適応進化法である。 進捗に応じて、事前のソリューションが選択され、どのように変化するかを継続的に更新する。 AlphaEvolve, OpenEvolve, GEPA, ShinkaEvolveなどの既存のAI駆動の進化的手法を、タスクの大部分で上回っている。
  論文  参考訳（メタデータ） (2026-02-26T18:54:41Z)
• AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization [61.535567824938205]
  本稿では,LLMによる進化を階層的適応最適化問題として再構成するフレームワークであるAdaEvolveを紹介する。 AdaEvolveは185の異なるオープンエンド最適化問題において、オープンエンドベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-23T18:45:31Z)
• Enabling Population-Based Architectures for Neural Combinatorial Optimization [48.248213281039334]
  我々は,Nuural Combinatorial Optimization(NCO)を,候補解の集合に作用する学習ポリシーによって明示的に人口ベースにする方法を研究する。 これらのアイデアを2つの補完的なツールで具体化します。1つは、全人口間で共有される情報を使って既存のソリューションを改善するもので、もう1つは、高品質と多様性とのバランスを明確にした新しい候補ソリューションを生成します。
  論文  参考訳（メタデータ） (2026-01-13T16:19:34Z)
• Evolutionary Multi-Objective Diversity Optimization [14.930208990741129]
  我々はこの問題を、品質と多様性のトレードオフの幅を求める、双方向最適化問題として扱う。 本稿では,既存の進化的多目的探索手法と互換性のある汎用的な実装手法を提案する。 結果、非支配的な人口は豊かな質的な特徴を示し、最適化事例とそれらが引き起こす品質と多様性のトレードオフについて洞察を与える。
  論文  参考訳（メタデータ） (2024-01-15T03:59:42Z)
• Rigorous Runtime Analysis of Diversity Optimization with GSEMO on OneMinMax [13.026567958569965]
  両目的のベンチマーク問題であるOneMinにおいて,GSEMOアルゴリズムの多様性向上による人口の多様性の最適化について検討した。 問題サイズ$n$が奇数である場合、期待時間$O(n2)$で最適な多様性を持つ集団が見つかることを証明している。 目標を達成するために、人口のランダムウォークを分析し、人口の変化頻度とその成果を反映する。
  論文  参考訳（メタデータ） (2023-07-14T09:43:29Z)
• Computing High-Quality Solutions for the Patient Admission Scheduling Problem using Evolutionary Diversity Optimisation [10.609857097723266]
  我々は、現実世界の問題、すなわち患者受け入れスケジューリングに対する進化的多様性の最適化に適応する。 本稿では,各解の品質を考慮に入れた一組の解において,構造的多様性を実現するための進化的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-28T14:26:45Z)
• Coevolutionary Pareto Diversity Optimization [13.026567958569965]
  共進化的Pareto Diversity Optimizationアプローチを導入する。 特に,集団間クロスオーバーの利用により,解の集合の多様性がさらに向上することを示す。
  論文  参考訳（メタデータ） (2022-04-12T00:52:13Z)
• An Analysis of Phenotypic Diversity in Multi-Solution Optimization [118.97353274202749]
  マルチモーダル最適化は高い適合性ソリューションを生み出し、品質の多様性は遺伝的中立性に敏感ではない。 オートエンコーダは表現型特徴を自動的に発見するために使用され、品質の多様性を備えたさらに多様なソリューションセットを生成する。
  論文  参考訳（メタデータ） (2021-05-10T10:39:03Z)
• Entropy-Based Evolutionary Diversity Optimisation for the Traveling Salesperson Problem [11.590506672325668]
  我々は,高次エントロピー尺度(High-order entropy measure)と呼ばれる集団多様性尺度を進化的アルゴリズムに応用し,トラベリングセールスパーソン問題に対する多様な高品質な解を求める。 最近提案されたエッジベースの多様性最適化アプローチと比較して,多数のソリューションや長いセグメントを扱う場合に比べて,大幅な改善が見られた。
  論文  参考訳（メタデータ） (2021-04-28T02:36:14Z)
• Discovering Diverse Solutions in Deep Reinforcement Learning [84.45686627019408]
  強化学習アルゴリズムは通常、特定のタスクの単一のソリューションを学ぶことに限定される。 連続的あるいは離散的な低次元潜在変数に条件付きポリシーを訓練することにより、無限に多くの解を学習できるRL法を提案する。
  論文  参考訳（メタデータ） (2021-03-12T04:54:31Z)
• GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal Black Box Constraint Satisfaction [69.94831587339539]
  本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。 我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
  論文  参考訳（メタデータ） (2020-02-17T20:21:20Z)

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。