動的多目的最適化のための、デカップル化された基底ベクトル駆動型生成フレームワーク

概要: 動的な多目的最適化では、移動するパレートフロントを継続的に追跡する必要があります。既存手法は、非規則な突然変異やデータの疎さにより困難を抱えており、主に3つの課題に直面しています。すなわち、動的モードの非線形な結合、古い履歴データによる負の転移、そして環境が切り替わる際のコールドスタート問題です。本論文では、これらの課題に対処するために、デカップル化された基底ベクトル駆動の生成フレームワーク（DB-GEN）を提案します。まず、非線形な結合を解決するために、このフレームワークでは離散ウェーブレット変換を用いて進化軌跡を低周波のトレンドと高周波の詳細に分離します。次に、負の転移を緩和するために、過去の実例を直接記憶するのではなく、疎な辞書学習によって転移可能な基底ベクトルを学習します。トポロジーを意識したコントラ スティブ制約の下でこれらの基底を再構成することで、構造化された潜在マニフォールドを構築します。最後に、コールドスタート問題を克服するために、代理（サロゲート）支援探索パラダイムを用いて、このマニフォールドから初期集団をサンプリングします。1.2億（120 million）の解で事前学習されたDB-GENは、再学習や微調整なしで直接オンライン推論を実行します。このゼロショット生成プロセスはミリ秒で実行され、環境の変化ごとに約0.2秒を要します。実験結果は、DB-GENが既存アルゴリズムと比べて、さまざまな動的ベンチマークにおける追跡精度を向上させることを示しています。