局部搜索的多目标化：单目标优化受益于多目标梯度下降
神经与进化计算
2020-10-05 v1 人工智能
摘要
多模态是优化中最大的困难之一，因为局部最优常常阻碍算法取得进展。这不仅挑战可能陷入停滞的局部策略，也妨碍像进化算法这样的元启发式算法收敛至全局最优。本文提出一种能够逃离局部陷阱的梯度下降新概念。它依赖于将原问题多目标化，并应用近期提出且在此稍作修改的多目标局部搜索机制 MOGSA。我们使用一种针对多目标问题的精细可视化技术来证明我们思想的工作原理。由此，本工作凸显了从多目标领域向单目标领域的新见解迁移，并提供了多目标化可在多模态地形中连接单目标局部最优的首个视觉证据。
引用
@article{arxiv.2010.01004,
title = {Multiobjectivization of Local Search: Single-Objective Optimization Benefits From Multi-Objective Gradient Descent},
author = {Vera Steinhoff and Pascal Kerschke and Pelin Aspar and Heike Trautmann and Christian Grimme},
journal= {arXiv preprint arXiv:2010.01004},
year = {2020}
}
备注
This version has been accepted for publication at the IEEE Symposium Series on Computational Intelligence (IEEE SSCI) 2020