論文の概要: Decision Variable Analysis-Guided Differentiated Fuzzy Search for Large-Scale Multi-Objective Optimization
- arxiv url: http://arxiv.org/abs/2607.16723v1
- Date: Sat, 18 Jul 2026 09:19:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.235449
- Title: Decision Variable Analysis-Guided Differentiated Fuzzy Search for Large-Scale Multi-Objective Optimization
- Title（参考訳）: 大規模多目的最適化のための決定変数解析誘導微分ファジィ探索
- Abstract要約: ファジィ探索は,探索効率の向上に有効な手法である。
決定変数分析は、収束の促進と多様性の維持における変数の明確な役割を明らかにすることができる。
本稿ではDDFSと呼ばれる決定変数解析誘導微分ファジィ探索法を提案する。
- 参考スコア（独自算出の注目度）: 8.60151665754184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale multi-objective optimization problems (LSMOPs) are challenging due to their high-dimensional decision spaces. Fuzzy search is an effective technique for improving search efficiency, while decision variable analysis can reveal the distinct roles of variables in promoting convergence and maintaining diversity. However, existing fuzzy search methods generally employ a uniform search granularity for all variables, overlooking the heterogeneous search requirements implied by variable roles. To address this limitation, this paper proposes a Decision variable analysis-guided Differentiated Fuzzy Search method, termed DDFS. The proposed method establishes an explicit mapping between decision-variable roles and fuzzy search granularities. Decision variable analysis is employed to identify variable roles and search sensitivities, enabling different variable groups to adopt differentiated fuzzy search behaviors during offspring generation. Furthermore, a Dual-Indicator Stage Transition Mechanism is developed to dynamically adjust fuzzy-updating intensity throughout the evolutionary process, balancing early-stage search-space compression and late-stage convergence refinement. Extensive experiments on the LSMOP and UF benchmark suites with up to 1000 decision variables show that DDFS generally achieves competitive performance against several representative large-scale multi-objective evolutionary algorithms. The results suggest that explicitly incorporating decision-variable roles into fuzzy search can help improve optimization performance in high-dimensional decision spaces.
- Abstract（参考訳）: 大規模多目的最適化問題(LSMOP)はその高次元決定空間のため困難である。
ファジィ探索は探索効率を向上させる効果的な手法であり、決定変数解析は収束の促進と多様性の維持において変数の異なる役割を明らかにすることができる。
しかし、既存のファジィ探索法は一般に、変数の役割によって示される異種探索要件を見越して、全ての変数に対して一様探索粒度を用いる。
この制限に対処するために、DDFSと呼ばれる決定変数解析誘導微分ファジィ探索法を提案する。
提案手法は,決定可能な役割とファジィ探索の粒度を明確にマッピングする。
決定変数分析は、変数の役割の特定と探索感度の向上に利用され、分散されたファジィ探索動作を子孫生成中に適用することができる。
さらに、進化過程全体を通してファジィアップダッション強度を動的に調整し、早期探索空間圧縮と後期収束改善のバランスをとるために、デュアルインディケータステージ遷移機構を開発した。
LSMOPとUFベンチマークスイートの最大1000個の決定変数による大規模な実験は、DDFSがいくつかの代表的な大規模多目的進化アルゴリズムと競合する性能を一般的に達成していることを示している。
その結果、ファジィ探索に決定変数を明示的に組み込むことにより、高次元決定空間における最適化性能を向上させることが示唆された。
関連論文リスト
- Evolution-Aware MSA Reasoning for Subsampling via Factor Graphs [55.715754117956514]
複数のシーケンスアライメントは、明示的な進化コンテキストを持つタンパク質言語モデルを提供する。
MSAサブサンプリングは限定的なトークン予算では避けられない。
本稿では,因子グラフ推論を用いて固定予算MSAサブセットを推定するAP-REASONERを提案する。
論文 参考訳（メタデータ） (2026-07-24T13:55:21Z) - An Evolutionary Algorithm with Probabilistic Annealing for Large-scale Sparse Multi-objective Optimization [21.49421845647136]
大規模スパース多目的最適化問題(LSMOP)は、現実世界のアプリケーションで広く用いられている。
提案アルゴリズムは探索とエクスプロイトの動的平衡を実現する。
ベンチマーク問題と実世界の応用に関する実験結果は,提案アルゴリズムが最先端の進化的アルゴリズムより優れていることを示す。
論文 参考訳（メタデータ） (2026-03-12T12:48:49Z) - A High-Dimensional Feature Selection Algorithm Based on Multiobjective Differential Evolution [6.912442653561439]
多目的特徴選択は、最も差別的な特徴部分集合を決定する。
提案手法は,最先端の多目的特徴選択手法よりも優れている。
論文 参考訳（メタデータ） (2025-05-09T02:02:49Z) - Dynamic Search for Inference-Time Alignment in Diffusion Models [87.35944312589424]
探索問題としての拡散における推論時間アライメントと動的拡散探索(DSearch)を提案する。
DSearchは、デノナイズプロセスからサブサンプルを取得し、中間ノードの報酬を近似する。
また、ビーム幅と木の拡大を動的に調整し、高次世代を効率的に探索する。
論文 参考訳（メタデータ） (2025-03-03T20:32:05Z) - UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [51.00436121587591]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。
重みベクトル w でパラメトリした線型効用関数の場合に焦点を当てる。
学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文 参考訳（メタデータ） (2024-05-01T09:34:42Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - Factorization of Multi-Agent Sampling-Based Motion Planning [72.42734061131569]
現代のロボティクスは、共有環境内で複数のエンボディエージェントを動作させることが多い。
標準的なサンプリングベースのアルゴリズムは、ロボットの関節空間における解の探索に使用できる。
我々は、因子化の概念をサンプリングベースアルゴリズムに統合し、既存の手法への最小限の変更しか必要としない。
本稿では, PRM* のサンプル複雑性の観点から解析的ゲインを導出し, RRG の実証結果を示す。
論文 参考訳（メタデータ） (2023-04-01T15:50:18Z) - Cooperative coevolutionary Modified Differential Evolution with
Distance-based Selection for Large-Scale Optimization Problems in noisy
environments through an automatic Random Grouping [3.274290296343038]
本稿では,雑音環境における大規模最適化問題を解決するために,自動ランダムグループ化(aRG)を提案する。
また、ノイズの多い環境での能力を高めるために、MDE-DS(Modified Evolution with Distance-based Selection)を導入する。
提案手法は,ノイズの多い環境下でLSOPを解くための幅広い可能性があり,高次元問題への拡張が容易である。
論文 参考訳（メタデータ） (2022-09-02T01:37:17Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - Solving Large-Scale Multi-Objective Optimization via Probabilistic
Prediction Model [10.916384208006157]
効率的なLSMOPアルゴリズムは、巨大な検索空間から局所最適解を逃れる能力を持つべきである。
人口の多様性を維持することは、探索効率を向上させる効果的な方法の1つである。
LSMOP に取り組むために,トレンド予測モデルと LT-PPM と呼ばれる生成フィルタ戦略に基づく確率的予測モデルを提案する。
論文 参考訳（メタデータ） (2021-07-16T09:43:35Z) - Expressivity of Parameterized and Data-driven Representations in Quality
Diversity Search [111.06379262544911]
2つの異なる検索空間で実施した品質多様性進化探索の出力多様性を比較する。
学習モデルは、未知の例への外挿や拡大よりも、既知のデータポイント間の補間が優れている。
論文 参考訳（メタデータ） (2021-05-10T10:27:43Z) - Greedy Search Algorithms for Unsupervised Variable Selection: A
Comparative Study [3.4888132404740797]
本稿では,非監視変数選択に基づく次元還元について述べる。
本稿では,7つの非監視勾配変数選択アルゴリズムの臨界評価について述べる。
本稿では,FSCA(Forward selection component analysis)アルゴリズムで説明された分散の遅延実装を初めて導入し,評価する。
論文 参考訳（メタデータ） (2021-03-03T21:10:26Z)
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。