論文の概要: When the implementation matters more than the algorithm: NSGA-II and other multi-objective optimizers in engineering design tools

• arxiv url: http://arxiv.org/abs/2610.22397v1
• Date: Wed, 14 Oct 2026 07:53:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.576127
• Title: When the implementation matters more than the algorithm: NSGA-II and other multi-objective optimizers in engineering design tools
• Title（参考訳）: NSGA-IIや他の多目的最適化ツールの実装がアルゴリズム以上に重要である場合
• Abstract要約: この研究は、その名前が結果を予測するかどうかをテストする。 18の配置は3つの人口割り当ての下で5,000の評価で実行された。 4つのNSGA-II実装は、ハイパーボリュームで最大5%、異なる家系の標準アルゴリズムが3つ以上、集団サイズに対する応答が最大10ポイントまで異なる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Engineering design tools increasingly embed optimizers as ready-made components that users select by algorithm name, while operator settings and bound, integer and duplicate handling stay fixed inside each tool. This study tests whether the name predicts the result. A tool-agnostic harness exposes one deterministic black box, an emulator of a published 22-variable mixed-integer building-performance problem, to the native optimizers of three Grasshopper plug-ins, to canonical NSGA-II, SMS-EMOA and GDE3 from Python libraries, and to the model-based RBFMOpt. Eighteen configurations were run at 5,000 evaluations under three population allocations, with statistics fixed in advance. Four NSGA-II implementations differed by up to 5% in hypervolume, more than three canonical algorithms of different families differed from one another, and their response to population size differed by up to 10 percentage points; for two MOEA/D implementations, by 28. On ZDT test functions the same NSGA-II implementations differed up to 470-fold in IGD. An ablation in one open-source NSGA-II reproduced the behaviour of one tool from its documented settings but not the gaps of the other two, so documented parameters do not identify an implementation. Counting the budget in wall-clock time reversed the ranking of the model-based optimizer, and reporting the final population instead of the archive understated some configurations by up to a third; most differences fell below the surrogate's error. For optimizers embedded in design-support systems, the implementation is part of the method; a reporting checklist is derived: implementation and version, effective settings, budget in time and evaluations, and archive-based indicators.
• Abstract（参考訳）: エンジニアリング設計ツールでは、オプティマイザを、アルゴリズム名によってユーザが選択した既製のコンポーネントとして組み込んでいる一方で、演算子の設定とバウンド、整数、重複処理は、各ツール内に固定されている。 この研究は、その名前が結果を予測するかどうかをテストする。 ツールに依存しないハーネスは、22変数の混合整数型ビルディングパフォーマンス問題のエミュレータである決定論的ブラックボックスを、3つのGrasshopperプラグインのネイティブオプティマイザ、Pythonライブラリの標準NSGA-II、SMS-EMOA、GDE3、モデルベースのRBFMOptに公開する。 18の配置は3つの人口割り当ての下で5,000の評価で実行され、事前に統計が固定された。 4つのNSGA-II実装は、ハイパーボリュームにおいて最大5%、異なる家族の3つの標準アルゴリズムは互いに異なり、その集団サイズに対する応答は最大10ポイント、MOEA/D実装では2つのMOEA/D実装では28。 ZDTテスト関数では、同じNSGA-II実装がIGDで470倍まで異なる。 あるオープンソースNSGA-IIにおけるアブレーションは、文書化された設定からあるツールの振る舞いを再現したが、他の2つの間隙は再現しなかったため、文書化されたパラメータは実装を特定しない。 予算をウォールタイムにカウントすると、モデルベースのオプティマイザのランクが逆転し、アーカイブの代わりに最終人口が最大3分の1まで下降した。 実装とバージョン、効果的な設定、時間と評価の予算、アーカイブベースのインジケータなどである。

関連論文リスト

• Efficient Pairwise Difference Learning: A Comparative Study of Encoding Strategies and Training Pair Selection [0.0]
  Pairwise Learning for Classification (PDC) は、個々のサンプルではなく、ペアのインスタンス上でバイナリ類似性分類器をトレーニングすることで、低データのレシエーションにおける教師あり学習を強化する。 PDCフレームワークは、特に入力表現とペア選択戦略に関して、不特定な実装選択を残している。 この研究は、広範な経験的評価を通じて、これらの決定を体系的に調査する。
  論文  参考訳（メタデータ） (2026-10-15T10:25:11Z)
• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• optimize_anything: A Universal API for Optimizing any Text Parameter [98.42497715725356]
  単一タスク検索をサポートする1つのAIベースの最適化システム、クロスプロブレム転送によるマルチタスク検索、および目に見えない入力への一般化を示す。 LLMに基づく検索によるテキストの最適化は汎用的な問題解決パラダイムであることを示す。
  論文  参考訳（メタデータ） (2026-05-19T10:18:12Z)
• cuGenOpt: A GPU-Accelerated General-Purpose Metaheuristic Framework for Combinatorial Optimization [12.89168708039677]
  cuGenOptは汎用メタヒューリスティックフレームワークで、3つの次元すべてに同時に対処する。 エンジンレベルでは、cuGenOptは統一的なエンコーディング抽象化(置換、バイナリ、整数)、二段階演算子選択機構、ハードウェア対応リソース管理を採用する。 実験では、cuGenOptスイートは、MIPソルバを桁違いに上回り、特殊ソルバと競合する品質を示し、30秒以内にTSP-442の差は4.73%に達する。
  論文  参考訳（メタデータ） (2026-03-19T17:19:21Z)
• Robust Differential Evolution via Nonlinear Population Size Reduction and Adaptive Restart: The ARRDE Algorithm [0.010411372746649314]
  ARRDE は LSHADE アルゴリズム上に構築され,jSO の鍵機構を組み込んだ非線形人口削減戦略を導入している。 ARRDEは、考慮されたすべてのベンチマークスイートの中で、トップレベルのパフォーマンスを一貫して示す。
  論文  参考訳（メタデータ） (2025-11-23T12:50:25Z)
• GPU-accelerated Evolutionary Many-objective Optimization Using Tensorized NSGA-III [13.487945730611193]
  大規模多目的最適化のためのNSGA-IIIの完全テンソル化実装を提案する。 NSGA-IIIは、NSGA-IIIの正確な選択と変化のメカニズムを維持しながら、大きな加速を達成している。 その結果、NSGA-IIIは、NSGA-IIIのCPUバージョンよりも最大3629タイムのスピードアップを実現していることがわかった。
  論文  参考訳（メタデータ） (2025-04-08T14:09:23Z)
• SqueezeLLM: Dense-and-Sparse Quantization [80.32162537942138]
  LLMにおける生成推論の主なボトルネックは、単一のバッチ推論のための計算ではなく、メモリ帯域幅である。 学習後量子化フレームワークであるSqueezeLLMを導入し、最大3ビットの超低精度でのロスレス圧縮を実現する。 本フレームワークは,2次情報に基づく最適ビット精度割当を探索する感度ベース非一様量子化法と,2次情報に基づくDense-and-Sparse分解法と,2次情報量割当値と感度重み値を効率的にスパース形式で格納するDense-and-Sparse分解法である。
  論文  参考訳（メタデータ） (2023-06-13T08:57:54Z)
• Shape-constrained Symbolic Regression with NSGA-III [0.0]
  形状制約付き記号回帰(SCSR)は、事前知識をデータベースモデリングに組み込むことができる。 本稿では,近似誤差を最小化し,制約違反を最小化するための準線形手法を提案する。 2つのアルゴリズム NSGA-II と NSGA-III が実装され、モデル品質と実行時間で比較される。
  論文  参考訳（メタデータ） (2022-09-28T06:10:34Z)

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。