Apr, 2022

使用最小校正子集精确和近似确定 Pareto 集

PDF
TL;DR本文介绍了一种利用极小修正集 (Minimal Correction Subsets) 枚举解决多目标布尔优化 (MOBO) 问题的方法，并提出了两个新算法来寻找 Pareto 前沿的近似解，实验结果证明这些新算法比现有的算法更加优秀且精度有保证。
minimal correction subsetsboolean formulasmulti-objective boolean optimizationpareto frontierapproximation
发现论文，激发创造
  • 昂贵多目标优化的 Pareto 集学习

    本文提出了一种基于学习的方法，将分解式多目标优化算法 (MOEA/D) 从有限种群推广到模型，以近似整个 Pareto 集，为决策者提供灵活的决策，并展示实验结果。

    Oct, 2022

  • 神经多目标组合优化问题中的 Pareto 集学习

    本文通过神经组合优化的思想，提出了多目标组合优化问题的学习方法，模型可直接生成逼近帕累托前沿的解，证明了该方法在多目标问题上的有效性。

    Mar, 2022

  • 多任务学习中高效的连续 Pareto 探索

    提出了一种新的、高效的方法，可以生成局部连续的 Pareto 集和 Pareto fronts，并将其应用于现代机器学习问题中。通过提出基于样本的稀疏线性系统，将多目标优化的理论结果扩展到现代机器学习问题中，并实现了局部 Pareto 集的分析。与现有算法相比，通过在各种多任务分类和回归问题上的应用，证明了我们的算法在平衡权衡、有效地找到更多的不同权衡解以及迎合百万级参数任务的能力。

    Jun, 2020

  • 基于专家模型融合的高效 Pareto 集近似方法

    通过专家混合（MoE）模型融合的实用且可扩展的方法，本研究旨在有效学习大型神经网络的 Pareto 集，从而捕捉多个目标之间的权衡关系和大致近似整个 Pareto 集，并在低内存使用量的情况下提供可扩展性。

    Jun, 2024

  • 使用 Pareto 前沿熵的多目标 Bayesian 优化

    本研究提出一种基于熵的多目标贝叶斯优化方法（MBO），称为帕累托前沿熵搜索（PFES），该方法考虑到帕累托前沿的熵，通过推导标准熵搜索设定的解析公式来获得帕累托最优性的权衡关系，并可以适应解耦合条件下的目标函数熵计算。实验验证表明 PFES 方法在多种基准数据集上的有效性。

    Jun, 2019

  • 基于深度多目标学习的可扩展 Pareto 前沿逼近

    本研究提出一种直接在特征空间中根据偏好条件来调整神经网络的多目标优化方法，通过对解决方案进行惩罚来维持小角度到偏好向量的方法确保了良好分布的 Pareto 曲线，实验证明我们的 Pareto 前缘尽管计算速度显著更快，但也达到了业内最先进的质量，并展示了其可扩展性。

    Mar, 2021

  • 基于扩散模型的昂贵多目标贝叶斯优化

    多目标贝叶斯优化通过引入复合扩散模型和信息熵加权方法，在昂贵多目标优化问题中获得高质量解集，并在合成基准和实际问题上展示了卓越性能。

    May, 2024

  • UMOEA/D：一种基于分解的统一帕累托目标的多目标进化算法

    通过使用神经网络优化 Pareto 前沿上的最大最小距离，本论文提出了一种构建均匀分布 Pareto 目标的方法，缓解了之前多目标优化方法中所存在的有限多样性问题，并通过实验验证了该方法在生成高质量均匀 Pareto 目标方面的有效性以及优于现有最先进方法的鼓舞人心的性能。

    Feb, 2024

  • 帕累托集上的优化：多目标优化理论

    在多目标优化中，考虑到平衡多个目标之间的权衡，解决方案在最优权衡方面被称为帕累托最优；我们研究了解决帕累托集约束优化问题的本地方法，这是一个具有挑战性的问题，因为约束集不仅是隐式定义的，而且通常在目标函数是非凸非光滑的情况下。

    Aug, 2023

  • 偏好感知的约束多目标贝叶斯优化

    本研究提出了一种基于贝叶斯优化的 PAC-MOO 方法来解决在大部分输入空间不可行时（即违反约束条件），由实践者指定目标函数的约束多目标优化问题，特别地，在电路和电力系统设计等工程设计问题中。该方法能够学习输出目标和约束的代理模型，并选择在每次迭代中评估最大程度能获得有关最佳受约束 Pareto 前沿的信息且同时考虑目标偏好的候选输入，实验结果表明 PAC-MOO 比现有方法更加有效。

    Mar, 2023