大規模最適化問題のためのRandom Embeddings を用いた代理モデル多目的進化計算

カテゴリ：研究会(論文単位)

論文No：ST25059,CT25094

グループ名：【C】電子・情報・システム部門 システム/【C】電子・情報・システム部門 制御合同研究会

発行日：2025/11/26

タイトル(英語)：Surrogate-Assisted Multi-Objective Evolutionary Algorithms with Random Embeddings for Large-Scale Optimization Problems

著者名：古川 新奈(横浜国立大学),深海 諒(横浜国立大学),中田 雅也(横浜国立大学)

著者名(英語)： Nina Furukawa(Yokohama National University),Ryo Fukami(Yokohama National University),Masaya Nakata(Yokohama National University)

キーワード：代理モデル多目的進化計算,大規模最適化問題,次元削減,SAMOEA,Dimensionality reduction,Large-scale optimization problem

要約(日本語)：代理モデル多目的進化計算（SAMOEA）は、機械学習を活用し、限られた評価回数で効率的な最適化を行う手法である。しかし、大規模最適化問題においては、モデル精度が低下するという課題がある。 そこで本論文では、Random Embeddingsによる次元圧縮を活用した、モデルの精度向上と探索網羅性を両立する新たなSAMOEAを提案する。実験では、提案法が他の次元削減法を用いた手法を有意に上回る性能を示した。

要約(英語)：Surrogate-Assisted Multi-Objective Evolutionary Algorithms (SAMOEAs) are effective for solving expensive optimization problems. However, their performance degrades in large-scale problems due to reduced model accuracy. We propose an SAMOEA incorporating random embedding–based dimensionality reduction, which enhances model accuracy while preserving search coherence. Experimental results show our proposed algorithm outperforms an SAMOEA employing other dimensionality reduction techniques.

本誌：2025年11月29日-2025年11月30日システム/制御合同研究会

本誌掲載ページ：49-54p

原稿種別：日本語

PDFファイルサイズ：1,829Kバイト