Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Online Model Selection for Restricted Covariance Matrix Adaptation Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

REMEDA: Random Embedding EDA for Optimising Functions with Intrinsic Dimension

verfasst von : Momodou L. Sanyang, Ata Kabán

Erschienen in: Parallel Problem Solving from Nature – PPSN XIV

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

It has been observed that in many real-world large scale problems only few variables have a major impact on the function value: While there are many inputs to the function, there are just few degrees of freedom. We refer to such functions as having a low intrinsic dimension. In this paper we devise an Estimation of Distribution Algorithm (EDA) for continuous optimisation that exploits intrinsic dimension without knowing the influential subspace of the input space, or its dimension, by employing the idea of random embedding. While the idea is applicable to any optimiser, EDA is known to be remarkably successful in low dimensional problems but prone to the curse of dimensionality in larger problems because its model building step requires large population sizes. Our method, Random Embedding in Estimation of Distribution Algorithm (REMEDA) remedies this weakness and is able to optimise very large dimensional problems as long as their intrinsic dimension is low.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel RK-EDA: A Novel Random Key Based Estimation of Distribution Algorithm
Nächstes Kapitel Feature-Based Diversity Optimization for Problem Instance Classification
Literatur
1.
Bergstra, J., Bengio, Y.: Random search for hyper-parameter optimization. Mach. Learn. Res. 13, 281–305 (2012)MathSciNetMATH
2.
Bosman, P.: On empirical memory design, faster selection of Bayesian factorizations and parameter-free Gaussian EDAs. In: Proceedings of Genetic and Evolutionary Computation Conference (GECCO), pp. 389–396. ACM (2009)
3.
Constantine, P.: Active subspace methods in theory and practice: applications to kriging surfaces. SIAM J. Sci. Comput. 36(4), 1500–1524 (2013)MathSciNetCrossRef
4.
Davidson, K.R., Szarek, S.J.: Local operator theory, random matrices and banach spaces. In: Handbook of the Geometry of Banach Spaces, vol. 1. pp. 317–366 (2001)
5.
Dong, W., Chen, T., Tino, P., Yao, X.: Scaling up estimation of distribution algorithm for continuous optimisation. IEEE Trans. Evol. Comput. 17(6), 797–822 (2013)CrossRef
6.
Dong, W., Yao, X.: Unified eigen analysis on multivariate Gaussian based estimation of distribution algorithms. Inf. Sci. 178, 3000–3023 (2008)MathSciNetCrossRefMATH
7.
Hansen, N.: The CMA evolution strategy: a comparing review. In: Lozano, J.A., Larrañaga, P., Inza, I., Bengoetxea, E. (eds.) Towards a New Evolutionary Computation: Advances in the Estimation of Distribution Algorithms. Studies in Fuzziness and Soft Computing, vol. 192. Springer, Heidelberg (2006)CrossRef
8.
Hutter, F.: Automated configuration of algorithms for solving hard computational problems. Ph.D. thesis (2009)
9.
Kabán, A., Bootkrajang, J., Durrant, R.J.: Towards large scale continuous EDA: a random matrix theory perspective. Evol. Comput. (2015). MIT Press
10.
Ros, R., Hansen, N.: A simple modification in CMA-ES achieving linear time and space complexity. In: Rudolph, G., Jansen, T., Lucas, S., Poloni, C., Beume, N. (eds.) PPSN 2008. LNCS, vol. 5199, pp. 296–305. Springer, Heidelberg (2008)CrossRef
11.
Sanyang, M.L., Kaban, A.: Multivariate cauchy EDA optimisation. In: Corchado, E., Lozano, J.A., Quintián, H., Yin, H. (eds.) IDEAL 2014. LNCS, vol. 8669, pp. 449–456. Springer, Heidelberg (2014)
12.
Sanyang, M.L., Kabán, A.: Heavy tails with parameter adaptation in random projection based continuous EDA. In: IEEE Congress on Evolutionary Computation (CEC), pp. 2074–2081 (2015)
13.
Yang, Z., Chen, W., Weise, T., Tang, K.: Large-scale global optimization using cooperative co-evolution with variable interaction learning. In: Parallel Problem Solving from Nature (PPSN), vol. 11, pp. 300–309 (2010)
14.
Wang, Z., Zoghi, M., Hutter, F., Matheson, D., de Freitas, N.: Bayesian optimization in a billion dimensions via random embeddings. In: IJCAI (2013)
15.
Weicker, K., Weicker, N.: On the improvement of co-evolutionary optimizers by learning variable inter-dependencies. In: Proceedings of Congress on Evolutionary Computation, vol. 3 (1999)
16.
Tang, K., Yang, Z., Yao, X.: Multilevel cooperative co-evolution for large scale optimization. In: IEEE World Congress on Computational Intelligence 2008 (CEC 2008) (2008)
Metadaten
Titel
REMEDA: Random Embedding EDA for Optimising Functions with Intrinsic Dimension
verfasst von
Momodou L. Sanyang
Ata Kabán
Copyright-Jahr
2016
Buch
Parallel Problem Solving from Nature – PPSN XIV

Print ISBN: 978-3-319-45822-9

Electronic ISBN: 978-3-319-45823-6

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-45823-6_80

Premium Partner

    Bildnachweise