DECN: Automated Evolutionary Algorithms via Evolution Inspired Deep Convolution Network

要約

進化的アルゴリズム (EA) は、最適化、特にブラックボックス最適化のための強力なフレームワークとして登場しました。
このペーパーでは、まず自動 EA に焦点を当てます。自動 EA は、対象となる問題の構造を利用して、潜在的な解決策を生成および選択するための更新ルール (最適化戦略) を自動的に生成し、ランダムな母集団を最適な解決策に近づけることができます。
ただし、現在の EA では、最適化戦略の表現が不十分であり、最適化戦略とターゲット タスク間の相互作用が弱いため、この目標を達成できません。
私たちは、手作業で設計された EA から手動介入なしで自動化された EA への移行を実現するために、ディープ エボリューション コンボリューション ネットワーク (DECN) を設計します。
DECN は対象タスクへの適応性が高く、少ない計算コストでより良い解を得ることができます。
DECN は、ターゲット タスクの忠実度の低い情報を効果的に利用して、効率的な最適化戦略を形成することもできます。
9 つの合成と 2 つの実際のケースに関する実験では、人間が設計した最先端のメタ学習 EA ベースラインよりも学習された最適化戦略の利点が示されています。
さらに、演算のテンソル化により、DECN は GPU によって提供されるアクセラレーションに適しており、EA よりも 102 倍高速に実行されます。

要約(オリジナル)

Evolutionary algorithms (EAs) have emerged as a powerful framework for optimization, especially for black-box optimization. This paper first focuses on automated EA: Automated EA exploits structure in the problem of interest to automatically generate update rules (optimization strategies) for generating and selecting potential solutions so that it can move a random population near the optimal solution. However, current EAs cannot achieve this goal due to the poor representation of the optimization strategy and the weak interaction between the optimization strategy and the target task. We design a deep evolutionary convolution network (DECN) to realize the move from hand-designed EAs to automated EAs without manual interventions. DECN has high adaptability to the target task and can obtain better solutions with less computational cost. DECN is also able to effectively utilize the low-fidelity information of the target task to form an efficient optimization strategy. The experiments on nine synthetics and two real-world cases show the advantages of learned optimization strategies over the state-of-the-art human-designed and meta-learning EA baselines. In addition, due to the tensorization of the operations, DECN is friendly to the acceleration provided by GPUs and runs 102 times faster than EA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google