Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Hypervolume-Based Surrogate Model for MO-CMA-ES

Identifikátory výsledku

  • 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>

Alternativní jazyky

  • 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.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Návaznosti výsledku

  • 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

Ostatní

  • Rok uplatnění

    2015

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • 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