ETO Meets Scheduling: 从单目标问题学习关键知识以解决多目标问题
本文提出了一种新的进化计算研究方法 —— 进化传递优化(ETO),通过这种方法能够实现有关经验和已解决问题中的知识的零重用范式的克服,同时在离散情况下解决多目标优化问题遇到单目标优化问题。关键的就业知识,如基于遗传算法的位置构建模块,可以通过新的核心转移机制和学习技术用于排列流水车间调度问题 (PFSP) 的 ETO-PFSP 框架,并为工业应用做出了贡献。
Jun, 2022
大型语言模型已成为各种自主代理系统中不可或缺的组成部分,在本研究中我们提出了一种基于探索的轨迹优化方法,称为 ETO,通过允许代理从探索失败中学习而提高开放式 LLM 代理的性能,不同于之前只对成功专家轨迹进行训练的方法,我们的方法允许代理通过对比学习方法(如 DPO)利用这些轨迹偏好对来更新政策,通过探索和训练的迭代循环促进了代理的持续改进,在三个复杂任务上的实验表明 ETO 始终以较大幅度超过基线性能,并且在缺乏专家轨迹的情景中展示了其解任务效率和潜力的有效性。
Mar, 2024
该研究论文提供了现有方法的综合分类和整合,建立了统一的评估基准,并阐明了端到端训练在不同场景下的改进情况及其表现不佳的背景。此外,还介绍了一个用于工业组合式广告问题的新数据集,以帮助更方便的评估和部署,鼓励在学术界和工业界进一步的改进。
Nov, 2023
煤矿综合能源系统的调度优化是一个具有高维度、强耦合约束和多目标的挑战性问题。针对此问题,我们开发了一个多任务进化算法框架,利用调度相关领域知识来有效处理强约束和多目标优化。通过复杂约束关系分析和处理,我们首先探索了一种可能的进化多任务构建策略,即约束耦合空间分解、约束强度分类和约束处理技术。在多任务进化优化框架中,进一步开发了两种策略,即通过设计特殊的拥挤距离机制从每个任务中选择主导个体的精英引导知识传递以及基于自适应邻域技术的突变,以有效平衡每个优化任务的多样性和收敛性。通过与 CPLEX 求解器和七种约束多目标进化算法的比较,在一个煤矿综合能源系统的案例研究中展示了所提出算法在可行性、收敛性和多样性方面的性能。
Jun, 2024
通过训练技术和应用设置,本文将 PtO 方法扩展到具有不可微分的有序加权平均目标的优化问题,展示了如何在不确定性下有效地将 OWA 函数优化与参数预测相结合,以实现公平和稳健的优化。
Feb, 2024
本文提出一种适用于多个质量变量的多变量软测量方法,通过改良神经网络结构和优化目标函数,实现了对质量变量的准确估计。在这个方法中,作者利用目标专家混合模块(OMoE)和帕累托目标路由模块(POR)解决了模型中存在的负面迁移和平衡问题,实验结果表明,该模型表现出了先进的性能。
Feb, 2023
提出了一种基于模糊神经网络(FNN)及 NSGA-II 进化多目标算法的在线任务调度和映射方法,以共同优化异构 MPSoC 的主要设计挑战。通过实验验证,该方法优于相关启发式和元启发式方法,可以提高温度,功耗,故障率和执行时间等几个设计指标的优化性能。
Mar, 2022
本研究论文总结了最近学习型多目标进化算法在解决不同尺度多目标优化问题中的进展和挑战,并提供了四个有吸引力的方向,即用于环境选择的可学习进化鉴别器,用于繁殖的可学习进化生成器,用于函数评估的可学习进化评估器,以及用于共享或重复使用优化经验的可学习进化传输模块,作为这一领域的努力的参考。
Jun, 2022
本文提出了一种多目标优化的多任务学习方法,通过迭代传递模型参数在优化过程中解决存在冲突的多个任务,并在图像分类、场景理解和多目标回归问题中进行了实验验证,结果显示该方法显著提升了发现满足 Pareto 优化的模型集合的状态,尤其在大规模图像数据集上的实验中,比现有技术取得了近两倍的超体积收敛速度。
Mar, 2024
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