Hypervolume-Based Surrogate Model for MO-CMA-ES

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F15%3A10317485" target="_blank" >RIV/00216208:11320/15:10317485 - isvavai.cz</a>

Výsledek na webu

<a href="http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=7372189" target="_blank" >http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=7372189</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICTAI.2015.93" target="_blank" >10.1109/ICTAI.2015.93</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Hypervolume-Based Surrogate Model for MO-CMA-ES

Popis výsledku v původním jazyce

Evolutionary algorithms are among the best multi-objective optimizers, but the large number of objective function evaluations they require makes it hard to use them to solve certain real-life tasks. In this work we present a surrogate-based local searchfor the multi-objective covariance matrix adaption evolution strategy (MO-CMA-ES). The local search is based on the estimation of hypervolume contribution of each individual and maximization of this contribution. This work extends our previous work and makes such surrogate models applicable to problems with more than two objectives. Moreover, it uses a unique feature of MO-CMA-ES to make the local search more effective. The results indicate that the algorithm can find solutions of the same quality as MO-CMA-ES while using 30-50 percent less objective function evaluations.

Název v anglickém jazyce

Hypervolume-Based Surrogate Model for MO-CMA-ES

Popis výsledku anglicky

Evolutionary algorithms are among the best multi-objective optimizers, but the large number of objective function evaluations they require makes it hard to use them to solve certain real-life tasks. In this work we present a surrogate-based local searchfor the multi-objective covariance matrix adaption evolution strategy (MO-CMA-ES). The local search is based on the estimation of hypervolume contribution of each individual and maximization of this contribution. This work extends our previous work and makes such surrogate models applicable to problems with more than two objectives. Moreover, it uses a unique feature of MO-CMA-ES to make the local search more effective. The results indicate that the algorithm can find solutions of the same quality as MO-CMA-ES while using 30-50 percent less objective function evaluations.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GA15-19877S" target="_blank" >GA15-19877S: Automatické modelování znalostí a plánů pro autonomní roboty</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2015

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Tools with Artificial Intelligence (ICTAI), 2015 IEEE 27th International Conference on

ISBN

—

ISSN

1082-3409

e-ISSN

—

Počet stran výsledku

8

Strana od-do

604-611

Název nakladatele

IEEE

Místo vydání

Neuveden

Místo konání akce

Vietri sul Mare, Itálie

Datum konání akce

9. 11. 2015

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—