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

要約

タイトル：モンテカルロ木探索を用いた大規模多目的最適化における性能感度の改善

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、数百の決定変数が含まれることが特徴である。
– 大規模多目的最適化は、エンジニアリング分野の多くの実世界の問題をモデル化することができるが、同時に性能感度が求められる。
– 性能感度とは、アルゴリズムの実行結果が単に良好であるだけでなく、複数の実行結果の性能が大きく変動しないことを指す。
– LSMOPの解法は、大規模多目的最適化アルゴリズムの性能を改善することだけに注力しており、性能感度には着目していない。
– 本研究では、LMMOCTSと呼ばれるモンテカルロ木探索に基づく進化アルゴリズムを提案し、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。
– 提案された方法は、決定変数をサンプリングして最適化と評価のためのモンテカルロ木上に新たなノードを構築する。評価の良いノードを選択して、大規模な決定変数がもたらす性能感度を低減するためにさらなる探索を行う。
– 提案されたアルゴリズムを、さまざまなベンチマーク関数に対して他の最新設計と比較し、性能感度の改善を計るための2つのメトリックを提案する。実験結果は、提案された設計が大規模多目的最適化問題を解決するために非常に効果的であり、性能感度にも優れ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