マルチモーダル最適化問題に対する Affinity Propagation

Dual-Strategy Differential Evolution With Affinity Propagation Clustering for Multimodal Optimization Wang, Zi-Jia, et al.
IEEE Transactions on Evolutionary Computation, 2018, 22.6, 894-908.

複数の最適解を同時に探索するマルチモーダル最適化問題(MMOP)は,最適化にとって最も困難な問題の 1 つである.MMOP を解決するための 2 つの一般的な目標がある. 1 つは,グローバルな最適化を可能な限り多く するように,集団の多様性を維持することある.もう 1 つは,見つかった解の精度を上げることである.この 2 つの目標を達成するために,本論文では,affinity propagation clustering(APC)を用いた新しい dual-strategy differential evolution(DSDE)を提案する. DSDE の新しさと利点には,次の 3 つの側面があります.第一に, 二重戦略突然変異計画は,子孫を生み出す際の探索と搾取のバランスをとるように設計されている.第 2 に,可 能な限り多くのピークを特定するために,異なる最適領域から多様な個体を選択するための APC に基づく適応選 択メカニズムが提案される.第 3 に,停滞および収束した個人を検出し,保護するためのアーカイブ技術が適用 される.これらの個人はアーカイブに保存されており,見つかった有望な解決策を維持し,より新しい分野を探索 するために再初期化される.実験結果は,提案された DSDE アルゴリズムが,CEC2013 のベンチマーク問題で評 価された場合には,よりグローバルな最適化の位置付け,より高精度の解の獲得,および最新のマルチモーダル アルゴリズムと比較して優れていることを示し,より速い速度で収束する.

nsga-iiiに対する選択演算子の効果(単目的、多目的、多目的最適化)

Effect of selection operator on NSGA-III in single, multi, and many-objective optimization
Seada, Haitham and Deb, Kalyanmoy
Evolutionary Computation (CEC), 2015 IEEE Congress on, pp. 2915-2922, 2015

分解ベースのNSGA-IIIは,複数の事前定義された適応可能な参照方向を使用して,その解間の多様性を維持する最近提案された多目的最適化アルゴリズムである. NSGA-IIIの著者は,4つ以上の目的を持つ特に客観的な問題を解決するように設計し,母集団のサイズを選択した参照方向の数に等しくなるよう制限した.この制限は、定義により、唯一の基準方向があり、単目的最適化問題にNSGA-IIIの使用を妨げる.このため,最近,この問題に対処するための統合アルゴリズムU-NSGA-IIIが提案された. U-NSGA-IIIは,ニッヒベースの選択演算子を介して問題の次元に自動的に適合することが可能である.しかし,U-NSGA-IIIの著者は,すべてのNSGA-IIIシミュレーションでこの単一倍制限を守った.この論文では,NSGA-IIIのこの制限を無視し,複数の集団を使用して単一,および多目的問題を解決する可能性をテストする.シミュレーションは,この目的のために,さまざまな制約付きおよび制約なしの単一,および多目的の問題で実行される. U-NSGA-IIIのものと比較した複数のNSGA-IIIの長所と短所を取り上げる.各タイプの問題におけるNSGA-IIIの堅牢性についても議論する.この研究は,当初の研究が予見していたより広い範囲を有するように見える元のNSGA-III手順のより包括的な評価を提供する.

SimiNet:脳ネットワークの類似性を定量化するための新しい 方法

SimiNet: a Novel Method for Quantifying Brain Network Similarity
IEEE Transactions on Pattern Analysis and Machine Intelligence vol.PP, pp.1-1, 2017
2017_1007taimoto

2 つのネットワーク間の類似性を定量化することは,多くのアプリケーションで重要である.主にノードおよびエッジの特性に基づいて,グラフの類似性を計算するための多くのアルゴリズムが提案されている.興味深いことに,これらのアルゴリズムのほとんどは,空間的に定義された機能領域を含む脳ネットワークのコンテキストにおける重要な要素であるノードの物理的な位置を無視している.本論文では,3 次元座標系内のノードを先験的に定義した2 つのグラフ間の類似度を測定するためのSimiNet と呼ばれる新しいアルゴリズムを提案する.SimiNetは,ノード,エッジ,および空間の機能を考慮した定量化インデックス(0-1 の範囲)を提供する.複雑なグラフをSimiNet のパフォーマンスを評価するためにシミュレートし,これを8 つの最先端の方法と比較した.結果は,SimiNet がノードとエッジの両方を使用して類似度を計算することに加えて,比較グラフの弱い空間変動を検出できることを示していた.SimiNet は,視覚認識タスクの間に得られた実際の脳ネットワークにも適用される.このアルゴリズムは,2 つのカテゴリーの視覚刺激,すなわち動物および道具の命名作業中に得られた脳ネットワークの空間的変動を検出する時に高性能を示す.この研究の観点は,人間の脳における物体分類のより良い理解である.