- 机器学习中使用多目标优化时需避免的常见陷阱
我们的目标是为机器学习从业者提供清晰、实用的指南,以有效地应用多目标优化 (MOO),特别是在深度学习 (DL) 的背景下。
- MORBDD:多目标受限二进制决策图的稀疏学习
通过机器学习方法,本研究使用二进制决策图在多准则决策中精确求解多目标整数线性规划问题,发现适用于单目标问题的局限二进制决策图可通过 ML 方法进行改进,产生具有优秀近似精度且规模较小的稀疏解。
- 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 - 多目标组合优化问题的高效任意时刻算法
提出了一个新的精确的任意时刻算法,通过三个新颖的思想来增强多目标组合优化问题的任意时刻行为,并在多个性能度量上的综合实验研究中表明优于以前的算法。
- 基于扩散模型的汽油调配调度的多目标优化
利用扩散模型驱动的新型多目标优化方法(名为 DMO)用于汽油调和调度,通过迭代过程将解从高斯噪声转换为可行的时间表,同时使用梯度下降方法优化目标,从而解决了传统和进化算法面临的复杂性问题。实验结果表明,DMO 在解决汽油调和调度问题的效率上 - MM基于多目标优化的基础设施即代码部署配置分析
通过比较九种基于进化计算的多目标算法的结果,使用 Friedman 的非参数测试,本文创建了一个多算法系统,根据用户需求能够应用不同的技术,以优化和改进基础设施即代码部署配置的多目标问题。
- 多目标优化与主动学习完全自主材料设计框架:挑战和下一步
利用多目标黑盒优化的主动学习过程,在实时流数据和模块化多目标优化软件开发技术支持下,实现了自动化连续流化学实验室的自治操作,为电解质生产提供了理想的制造条件。
- 使用双目标优化的 PINN 训练:数据损失和残差损失之间的权衡
利用物理信息神经网络(PINNs)进行 COVID-19 预测的多目标优化方法,对数据损失和残差损失分别作为两个独立的目标函数进行优化,并建立了扩展的易感 - 感染 - 恢复(SIR)模型来预测未来的感染情况,并将其与常规的有限差分方法进行 - 从单目标问题到多目标问题的关键知识学习:KAB2S 方法
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 - 基于生成对抗网络的大规模多目标优化流形插值
本文提出了一种基于生成对抗网络(GAN)的流形内插框架,以学习流形并在其上生成高质量解。我们将该算法与几种最先进的算法进行了比较,实验结果表明该框架在解决大规模多目标优化问题时取得了显著的改进。
- 最佳结合:CNN 及其硬件加速器的 AutoML 协同设计
本研究利用神经网络结构搜索技术,并联合考虑卷积神经网络模型和硬件加速器的参数,实现自动化的硬件 - 卷积神经网络代码设计。此方法能有效提高分类精度和效率,显著优于现有设计,本研究着重于在代码设计空间中进行多目标优化问题的定义以及探索使用强化 - MM基于 Massive MIMO 的单播和多组多播传输
研究了多播和单播传输在大规模 MIMO 系统中的性能,提出了最大化加权和谐单播用户个体频谱效率和最小化多播用户个体频谱效率两个多目标优化问题,并得出了解决这些问题的最优解。
- 可解释的时序逻辑学徒学习
本文讨论了在 Markov 决策过程中,使用 LTL 的公式作为代理规划的规范,通过形成多目标优化问题,从 MDP 中演示的行为轨迹中推断 LTL 规范,利用遗传编程解决该问题的有效性进行了证明。