論文の概要: A Dynamic Decomposition Strategy for the MOEA/D With Proven Performance Guarantees
- arxiv url: http://arxiv.org/abs/2610.35334v1
- Date: Mon, 26 Oct 2026 12:32:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.926523
- Title: A Dynamic Decomposition Strategy for the MOEA/D With Proven Performance Guarantees
- Title（参考訳）: 性能保証を伴うMOEA/Dの動的分解戦略
- Abstract要約: そこで本研究では,MOEA/D多目的進化アルゴリズムを高速に分解する手法を提案する。
これは、動的多目的進化アルゴリズムのランタイムを厳格に証明した最初の研究である。
- 参考スコア（独自算出の注目度）: 21.23874800091344
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The MOEA/D is one of the most successful multi-objective evolutionary algorithms. It operates by decomposing the optimization problem into single-objective subproblems, which are then solved in a co-evolutionary manner. The performance of the MOEA/D depends critically on this decomposition. In this work, we propose a novel way to adjust this decomposition on the fly, for the case of discrete bi-objective optimization. Different from all previous works in this direction, we support our new algorithm with a proven performance guarantee. This is the first work that rigorously proves the runtime of a dynamic multi-objective evolutionary algorithm. For monotonic distortions of the simple LOTZ benchmark, it is known that classic decompositions leave large holes in the Pareto front, making it very hard for the MOEA/D to cover the entire Pareto front. In contrast, we prove that our self-adjusting MOEA/D solves all these LOTZ problems in an expected number of $O(n^4)$ function evaluations. This relatively low runtime as well as the details of our mathematical proof show that the dynamic decomposition strategy indeed evolves a decomposition adjusted to each of these problem instances.
- Abstract（参考訳）: MOEA/Dは、最も成功した多目的進化アルゴリズムの1つである。
最適化問題を単目的のサブプロブレムに分解して動作し、それを共進化的に解決する。
MOEA/Dの性能はこの分解に大きく依存する。
本研究では, 離散的二目的最適化の場合において, この分解をハエで調整する新しい手法を提案する。
この方向のこれまでのすべての作業と異なり、我々は性能保証が証明された新しいアルゴリズムをサポートしています。
これは、動的多目的進化アルゴリズムのランタイムを厳格に証明した最初の研究である。
単純なLOTZベンチマークの単調な歪みについては、古典的な分解がパレート前面に大きな穴を残していることが知られており、MOEA/Dがパレート前面全体を覆うのは非常に困難である。
対照的に、我々の自己調整MOEA/Dは、期待数$O(n^4)$関数評価においてこれらのLOTZ問題を全て解くことを証明している。
この比較的低いランタイムと、我々の数学的証明の詳細は、動的分解戦略が実際にこれらの各問題インスタンスに調整された分解を進化させることを示している。
関連論文リスト
- First Mathematical Runtime Analyses of Multi-Objective Evolutionary Algorithms for Multi-Valued Decision Variables [23.47753638129204]
二項決定空間上で定義された問題は、多目的進化アルゴリズムの理論において集中的に研究されている。
有限値 $r > 2$ の値を取る決定変数を扱うMOEAには、今のところ数学的ランタイム解析は存在しない。
多値決定変数を扱う場合、古典的MOEAは重大な問題に遭遇しないことが示される。
論文 参考訳（メタデータ） (2026-05-14T13:42:52Z) - Non-Myopic Multi-Objective Bayesian Optimization [64.31753000439514]
多目的最適化問題を解くために、有限水平逐次実験設計の問題を考察する。
この問題は、材料設計を含む多くの現実世界の応用で発生する。
我々はMOO問題に対する最初の非ミオピック手法を提案する。
論文 参考訳（メタデータ） (2024-12-11T04:05:29Z) - A Stochastic Approach to Bi-Level Optimization for Hyperparameter Optimization and Meta Learning [74.80956524812714]
我々は,現代のディープラーニングにおいて広く普及している一般的なメタ学習問題に対処する。
これらの問題は、しばしばBi-Level Optimizations (BLO)として定式化される。
我々は,与えられたBLO問題を,内部損失関数が滑らかな分布となり,外損失が内部分布に対する期待損失となるようなii最適化に変換することにより,新たな視点を導入する。
論文 参考訳（メタデータ） (2024-10-14T12:10:06Z) - Runtime Analyses of Multi-Objective Evolutionary Algorithms in the
Presence of Noise [7.421135890148154]
対象関数にノイズが存在する場合の古典的ベンチマークの最初の解析を行う。
ビット単位の先行ノイズが$p le alpha/n$, $alpha$ a suitable constant であることを示す。
すべての解が各イテレーションで再評価されると、ノイズレート$p = omega(log(n)/n2)$がスーパーポリノミカルランタイムにつながることが証明される。
論文 参考訳（メタデータ） (2023-05-17T14:48:06Z) - Improved Convergence Rate of Stochastic Gradient Langevin Dynamics with
Variance Reduction and its Application to Optimization [50.83356836818667]
勾配ランゲヴィン・ダイナミクスは非エプス最適化問題を解くための最も基本的なアルゴリズムの1つである。
本稿では、このタイプの2つの変種、すなわち、分散還元ランジュバンダイナミクスと再帰勾配ランジュバンダイナミクスを示す。
論文 参考訳（メタデータ） (2022-03-30T11:39:00Z) - Distributionally Robust Bayesian Optimization with $\varphi$-divergences [45.48814080654241]
我々は,$varphi$-divergencesにおけるデータシフトに対するロバスト性について考察する。
この設定におけるDRO-BO問題は有限次元最適化問題と等価であり、連続的な文脈でも証明可能な部分線型後悔境界で容易に実装できることを示す。
論文 参考訳（メタデータ） (2022-03-04T04:34:52Z) - Variable Division and Optimization for Constrained Multiobjective
Portfolio Problems [8.056425814256116]
可変分割と最適化(D&O)は、進化的アルゴリズム(EA)で頻繁に使用されるアルゴリズム設計パラダイムです。
本稿では,多対象問題における部分変数のエリート選択法を提案する。
数学的プログラミングの助けを借りて、制約付き多目的ポートフォリオ問題で達成される。
論文 参考訳（メタデータ） (2021-01-21T11:08:23Z) - Theoretical Analyses of Multiobjective Evolutionary Algorithms on Multimodal Objectives [14.309243378538014]
OJZJ問題(OJZJ problem)は、古典的なジャンプ関数のベンチマークに同型な2つの目的からなる双目的問題である。
確率1のSEMOは、実行時に関係なく、完全なParetoフロントを計算していないことを証明します。
また、より厳密な制限付き$frac 32 e nk+1 pm o(nk+1)$を示す。
論文 参考訳（メタデータ） (2020-12-14T03:07:39Z)
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。