Improving Performance Insensitivity of Large-scale Multiobjective Optimization via Monte Carlo Tree Search

要約

タイトル：Monte Carlo Tree Searchによる大規模多目的最適化の性能感度の改善

要約：
– 大規模多目的最適化問題（LSMOP）は、複数の相反する目的を同時に最適化し、何百もの決定変数を含む問題である。
– 工学分野の多くの実世界のアプリケーションはLSMOPとしてモデル化でき、同時に、エンジニアリングアプリケーションは性能に対して感度が必要である。
– 現存するLSMOPアルゴリズムは、アルゴリズムの性能を改善することに主眼を置いており、感度の特性に関しては放置されている。
– 提案された手法は、Monte Carlo tree searchを用いた進化アルゴリズム、LMMOCTSであり、大規模多目的最適化問題の性能と感度を改善することを目的としている。
– 提案された手法は、新しいノードを最適化・評価するために決定変数をサンプリングし、大規模な決定変数による性能感度を低減するために良い評価を持つノードを選択する。
– 提案手法を他のベンチマーク関数で比較し、アルゴリズム感度を測定するための2つのメトリックを提案する。実験結果は、提案手法が大規模多目的最適化問題の性能と感度の両方を改善することを示している。

要約(オリジナル)

The large-scale multiobjective optimization problem (LSMOP) is characterized by simultaneously optimizing multiple conflicting objectives and involving hundreds of decision variables. {Many real-world applications in engineering fields can be modeled as LSMOPs; simultaneously, engineering applications require insensitivity in performance.} This requirement usually means that the results from the algorithm runs should not only be good for every run in terms of performance but also that the performance of multiple runs should not fluctuate too much, i.e., the algorithm shows good insensitivity. Considering that substantial computational resources are requested for each run, it is essential to improve upon the performance of the large-scale multiobjective optimization algorithm, as well as the insensitivity of the algorithm. However, existing large-scale multiobjective optimization algorithms solely focus on improving the performance of the algorithms, leaving the insensitivity characteristics unattended. {In this work, we propose an evolutionary algorithm for solving LSMOPs based on Monte Carlo tree search, the so-called LMMOCTS, which aims to improve the performance and insensitivity for large-scale multiobjective optimization problems.} The proposed method samples the decision variables to construct new nodes on the Monte Carlo tree for optimization and evaluation. {It selects nodes with good evaluation for further search to reduce the performance sensitivity caused by large-scale decision variables.} We compare the proposed algorithm with several state-of-the-art designs on different benchmark functions. We also propose two metrics to measure the sensitivity of the algorithm. The experimental results confirm the effectiveness and performance insensitivity of the proposed design for solving large-scale multiobjective optimization problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI