適応的な重みの調整を行うMOEA/D

MOEA/D with Adaptive Weight Adjustment
Evolutionary computation, V20170726haradaol.22, No.2, pp.231-264, 2014

近年,MOEA/D(分解に基づく多目的進化アルゴリズム)は,進化的多目的最適化の分野で大きな成功を収め, 多くの注目を集めている.MOEA/D は一様に分布した集約重みベクトルを使用して,多目的最適化問題(MOP) をスカラー化部分問題の集合に分解し,進化的多目的最適化の優れた一般的なアルゴリズムの枠組みを提供する. 一般に,MOEA/D の重みベクトルの均一性は,パレート最適解の多様性を保証することができるが,対象とす るMOP が複雑なパレートフロント(PF; すなわち,不連続PF または鋭い頂点や低い尾を持つPF)の場合に, うまく働かない.これを改善するために,適応型重みベクトル調整を用いて改善されたMOEA/D を提案する. Chebyshev 分解法に基づく重みベクトルと最適解との幾何学的関係の解析に従って,新しい重みベクトル初期化 方法と適応型重みベクトル調整戦略がMOEA/D-AWA に導入されている.重みは周期的に調整され,部分問題の 重みを適応的に再配分して解のより良い均一性を得ることができる.その一方で、重複した最適解を持つ部分問題 に費やされる計算作業を節約することができる.さらに,複雑なPF の疑似疎領域,すなわちPF の不連続領域で はなく,実際の疎領域に新しい部分問題を追加するために外部エリート集団が導入されている.MOEA/D-AWA は4 つの最先端のMOEA である,MOEA/D,適応型MOEA/D,pa λ-MOEA/D およびNSGA-II に対して,2 つの新しい構造が複雑な問題と2 つの多目的最適化問題を含む,広く使用されている10 の試験問題において比較 される.実験結果は,特にMOP のPF が複雑な場合に,MOEA/D-AWA がIGD の指標においてベンチマークア ルゴリズムより優れていることを示す.

ニューラルネットワークモデルによる特徴選択と分類の為の多目的進化的アルゴリズムを用いたアンサンブル 最適化

pdf

A multi-objective evolutionary algorithm-based
ensemble optimizer for feature selection and
classi cation with neural network models

Neurocomputing, Volume 125, 11 February 2014, Pages 217-228

本稿では,私達は機能選択と分類問題を解決する為のニューラルネットワークモデルと結び付けられた新しい多目的進化的アルゴリズムを基にしたアンサンブル最適化を提案する.特に,修正マイクロ遺伝的アルゴリズム(MmGA)は,アンサンブル最適化を行う為に用いられる.MmGA-ベースのアンサンブル最適化の目的が複数存在するのは,分類の為に少しのインプット機能を選び,ニューラルネットワークモデルの分類パフォーマンスを高めることが目的である.提案されたシステムの有効性を評価するために,本稿では多くのベンチマーク問題を用い,結果は他の方法と提案手法による比較によっておこない,人の動作検出と分類問題への提案されたシステムの適応性を評価した.結果として,提案されたMmGA-ベースのアンサンブル最適化が,少しの入力機能を持つニューラルネットワークモデルの分類パフォーマンスを高めることができることを明確に証明した.