Exploring Long-term Memory in Evolutionary Multi-objective Algorithms: A Case Study with NSGA-III
Notice bibliographique
Résumé
In the field of many-objective optimization, obtaining a dense solution set is a challenging task, mostly due to having hyper-surface nature of Pareto-front; which cannot be covered by commonly utilized population sizes. This is particularly vital in scenarios where innovization and informed decision-making are crucial. The challenge stems from the constraints imposed by population size limitations in evolutionary algorithms, which impede the efficient exploration of multiple solutions. A contributing factor to this issue is the lack of long-term memory in the well-known evolutionary algorithms to retain these solutions. On the contrary, the effective training of machine learning-assisted optimization or innovization relies on a substantial amount of data, which can be provided by preserving these valuable solutions. Moreover, long-term memory can play a significant role in expensive many-objective optimization, where the repetition of the optimization process is both costly and time-consuming, similar to training deep neural networks. The study focuses on NSGA-III equipped with long-term memory and assessing its performance across 16 benchmark problems, encompassing DTLZ1 to DTLZ7 and WFG1 to WFG9, considering scenarios with 3, 5, and 10 objectives. This paper explores the benefits of incorporating long-term memory in terms of the ultimate optimization outcomes, including the number of non-dominated solutions, knee points, and Inverted Generational Distance (IGD).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».