![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
多目标优化
文章平均质量分 75
马鹏森
这个作者很懒,什么都没留下…
展开
-
conformational space annealing (CSA) 构象空间退火
模拟退火算法的关键在于它通过在早期阶段接受次优解,增加了探索解空间的多样性,从而降低了陷入局部最优解的风险。随着温度的降低,算法逐渐转向更加精细的搜索,最终收敛至全局最优解或接近最优的解。:CSA 结合了遗传算法中的交叉和变异操作,这意味着它会在保留的构象之间交换信息,并引入新的变异,以探索新的可能构象。:算法通过模拟退火过程来探索这个空间,这是一种优化技术,它模仿物理过程中物质在冷却时能量逐渐降低的方式。:算法在多维的构象空间中工作,这个空间包含了分子可能采取的所有空间结构。原创 2024-01-24 10:52:52 · 819 阅读 · 0 评论 -
【IJCAI 2022】Multiband VAE- Latent Space Alignment for Knowledge Consolidation in Continual Learning
这个结构将不同来源的输入信息串联起来,使得模型可以综合利用来自任务代码、二进制编码和连续噪声的信息,形成一个综合的表示(向量)。这个向量将被传递到后续的神经网络层中进行进一步的处理,比如解码器部分用于重构输入数据或者其他的任务处理。我们的解码器由 3 个全连接层组成,分别具有 512、1024 和最终 784 个神经元。在模型的每个隐藏层(编码器和翻译器的输出除外)中,我们使用 LeakyRelu 激活和 sigmoid 作为最后一层。原创 2024-01-06 20:51:17 · 365 阅读 · 0 评论 -
多目标进化算法中(MOEAs),mating selection(交配选择)和environmental selection(环境选择)分别是什么意思?
交配选择(Mating Selection)在multi-objective evolutionary algorithms (MOEAs) / 多目标进化算法中,环境选择(Environmental Selection)和交配选择(Mating Selection)是两个关键的过程,它们在种群的演化和多目标优化中起着至关重要的作用。下面分别解释这两个概念:交配选择(Mating Selection)交配选择是决定。这个过程关注于选择。原创 2024-01-02 20:48:23 · 905 阅读 · 0 评论 -
【ICLR 2022】LaMOO-Multi-objective Optimization by Learning Space Partitions模型流程解析
3、然后构建MCTS,很多分子组成了后面的MCTS的一个节点,它们叫这些分子为“space”,但是其实并没有用什么隐空间。然后利用蒙特卡洛树搜索选出相应的子区域进行采样(利用),并通过BO结合qEHVI / CMA-ES继续探索新的区域(探索)用于扩展MCTS。“通过qEHVI / CMA-ES继续探索新的区域”解释:在一个小的区域里,我们依然可以结合贝叶斯优化或者进化算法进行采样,大幅提升了样本搜索效率。2、将当前搜索空间分割为好的和坏的子区域【利用SVM】,其中每一个子区域是由很多的分子组成的。原创 2023-12-02 14:15:36 · 399 阅读 · 0 评论 -
pygmo.fast_non_dominated_sorting()计算出的非支配前沿和botorch.is_non_dominated()计算出的非支配前沿不一样
对于同一组数据,求出的前沿是不一样的,是为什么?原创 2023-11-14 09:44:04 · 83 阅读 · 0 评论 -
【函数讲解】botorch中的函数 NondominatedPartitioning()
这个函数的主要作用是。这种分割。原创 2023-11-12 11:20:25 · 199 阅读 · 0 评论 -
【函数讲解】pygmo中的函数 fast_non_dominated_sorting() + 利用支配关系,学习一个SVM分类器,将解分为两类
这个函数是。这个函数对这些解进行非支配排序,并返回四个数组:ndf, dl, dc, 和 ndr。: 这是一个整数列表,表示非支配层级。每个非支配层包含一组互不支配的解。例如,第一个非支配层(ndf[0])包含所有不被任何其他解支配的解,第二个非支配层(ndf[1])包含所有只被第一层中的解支配的解,依此类推。: 这是一个列表,其中每个元素是一个整数列表,表示解支配的其他解的索引。: 这是一个整数数组,每个元素表示解被其他解支配的次数。: 这是一个整数数组,每个元素表示解所在的非支配层级。原创 2023-11-12 10:18:12 · 281 阅读 · 0 评论 -
【函数讲解】botorch中的函数 is_non_dominated():用于计算非支配(non-dominated)前沿
【代码】【函数讲解】botorch中的函数 is_non_dominated():用于计算非支配(non-dominated)前沿。原创 2023-11-10 17:11:18 · 1004 阅读 · 0 评论 -
多目标优化中的“latent action”是什么?
这里的latent action代表一个,用于将好的采样和差的采样划分开来,先使用Kmeans在特征向量上( [x, f(x)] )聚类,然后使用SVM划分出边界。原创 2023-11-05 19:16:12 · 665 阅读 · 0 评论 -
贝叶斯优化(BO)是什么?整个流程是怎么样的?代理模型 + 采集函数
首先贝叶斯优化是一种黑盒优化(原创 2023-11-05 10:49:36 · 774 阅读 · 0 评论 -
【NeurIPS 2020】基于蒙特卡罗树搜索的黑箱优化学习搜索空间划分
通过learning+splitting构建一个树 --> 根据UCB选择一个区域 --> 在选择的区域上,进行采样。先使用Kmeans在特征向量上( [x, f(x)] )聚类,然后使用SVM划分出边界。目标:从采样(Dt ∩ ΩA)中学习一个边界,从而最大化两方的差异。原创 2023-11-04 19:37:49 · 933 阅读 · 0 评论 -
“多目标优化”和“超多目标优化”的区别?
对于基于聚集的方法,很关键的一点在于权重向量 的设置1501.对于基于超体积的多目标演化算法而言, 一个很大的困难在于评价指 标的计算代价太高1511.除了上述儿种方法,基于参照点集的方法为处理超多目标 优化问题提供了一个新的方案:利用给一个参照点集来评价和选择解[521.为了将 用户的偏好嵌入搜索过程,学者们设计了基于偏好的方法来搜索帕累托前沿的 特定领域。直观上说,提升基于帕累托支配关系的算法在超多目标优化问题上的可扩展性有两种方法:基于松弛的支配关系的方法和基于多样性的方法。原创 2023-11-04 10:11:30 · 264 阅读 · 0 评论 -
“黑盒优化”是什么?
是一种优化技术,用于处理那些我们无法直接访问或理解其内部工作原理的系统或函数。在这种情况下,我们将该系统或函数视为一个“黑盒”,因为。【不利用导数信息】:与传统的基于导数的优化方法(例如梯度下降)不同,黑盒优化不需要函数的导数信息。:对于那些复杂的、不透明的、或者是不易于分析的系统,黑盒优化特别有用。:用户只需提供一个函数或评估标准,优化算法会尝试找到最佳的输入,以最大化或最小化输出。:由于缺乏内部信息,黑盒优化通常依赖于启发式搜索方法,如遗传算法、蒙特卡洛树搜索、贝叶斯优化等。原创 2023-11-03 17:37:12 · 706 阅读 · 0 评论 -
多目标优化中怎么判断两个目标是不是存在权衡(Trade-off)关系?以及权衡关系的强弱
TODO。原创 2023-11-03 10:03:21 · 420 阅读 · 0 评论 -
通过划分解空间实现优化,思想是什么?解空间和隐空间有区别吗?黑箱优化是不是无法探索隐空间?
而MCTS兼顾exploitation和exploration的特性,使得即便一开始切得不够好,以后也有扳回来重新划分空间的余地。而每个叶节点的空间,就是它的所有祖先节点的切分的交集。我们以“解空间的切分”作为广义上的行动空间,而具体的切分方式(例如MCTS:则是在每个MCTS的树结点上,用过去获得的样本点学一个最好的切分函数出来)——,那就是最理想的了。原创 2023-10-31 21:14:04 · 25 阅读 · 0 评论 -
【AAAI 2021】Multi-constraint Molecule Sampling for Molecule Optimization
3、 (Candidate Selection),MIMOSA为新分子分配权重。权重可以编码为多个约束,包括相似性约束和药物性质约束,在此基础上我们接受有希望的分子进行下一次迭代。2、(Candidate Generation),MIMOSA利用预测结果,采用三种基本的子结构操作(ADD、REPLACE和DELETE)生成新的候选分子。1、(Pretrain GNN), MIMOSA预训练两个属性不可知(property-agnostic)的GNN用于分子拓扑和子结构类型预测。原创 2023-10-30 14:24:28 · 40 阅读 · 0 评论 -
蒙特卡洛树搜索(MCTS)怎么实现的?+ 上置信范围Upper Confidence Bounds(UCB)是什么?
TODO。原创 2023-10-23 10:55:45 · 692 阅读 · 0 评论 -
【NeurIPS 2020】(weighted-retraining)Sample-Efficient Optimization in the Latent Space of Deep Generat
Sample-Efficient Optimization in the Latent Space of Deep Generative Models via Weighted Retrainingcode:GitHub - cambridge-mlg/weighted-retraining原创 2023-10-22 21:03:07 · 43 阅读 · 0 评论 -
【Arxiv 2023】(weighted-retraining)Multi-Objective Latent Space Optimization of Generative Molecular
Multi-Objective Latent Space Optimization of Generative Molecular Design Models原创 2023-10-22 13:46:59 · 73 阅读 · 0 评论 -
多目标优化怎么偏向某个目标?通过参考点的方式可以解决
对于多于两个目标的情况,参考点的选择稍微复杂一些,但目的是相同的:确保参考点覆盖整个目标空间。参考点在多目标优化的进化算法中,特别是在NSGA-III和RVEA等算法中,起着关键的作用。当选择或生成参考点时,重要的是确保参考点能够覆盖整个Pareto前沿或决策者关心的区域,并且在不同的目标之间保持均匀分布,以确保解的多样性。选择参考点的目的是为了捕获Pareto前沿的多样性,即覆盖整个Pareto优化解的范围。:在某些算法中,可以使用先前迭代中得到的信息来调整或选择新的参考点。原创 2023-10-20 17:07:57 · 72 阅读 · 0 评论 -
获得Pareto前沿的方法有什么?NSGA-Ⅱ怎么获得Pareto非支配解集 + 支配解集?怎么获得Pareto前沿?/非支配解集代码实现
多目标优化算法:这些算法专门设计用于解决多目标优化问题。一些常见的多目标优化算法包括NSGA-II(非支配排序遗传算法-II)、MOGA(多目标遗传算法)、SPEA2(强化支配排序遗传算法2)等。原创 2023-10-20 15:37:17 · 1314 阅读 · 1 评论 -
超多目标演化算法及其应用研究
超多目标演化算法及应用研究_大规模多目标演化计算的应用领域_小怪兽会微笑的博客-CSDN博客原创 2023-10-16 15:32:40 · 300 阅读 · 0 评论 -
非支配排序遗传算法NSGA + 带精英策略的非支配排序遗传算法NSGA-Ⅱ 解析
待看视频:待读文章:原创 2023-10-07 21:03:10 · 665 阅读 · 0 评论 -
多目标优化两种算法:加权、智能优化算法
使用数学优化算法解决多目标优化问题通常是将各个子目标聚合成一个带权重的单目标函数,系数由决策者决定,或者由优化方法自适应调整。即通过进行求解。这样每次只能得到一种权值下的最优解。MOP的目标函数、约束函数可能是非线性、不连续的,无法满足数学优化问题的求解条件。原创 2023-10-07 15:49:40 · 1592 阅读 · 0 评论 -
【Patterns 2023】(综述)Computer-aided multi-objective optimizationin small molecule discovery
该空间中的分子可以隐式定义(例如,作为可以使用生成模型解码的潜在变量)或显式定义(即作为分子库)。1、Multiple objectives, which are not aggregated into a single scalar objective, are considered. Some trade-off exists between objectives (i.e., they are not perfectly correlated).考虑多个目标,这些目标不会聚合为单个标量目标。原创 2023-10-06 17:25:06 · 104 阅读 · 0 评论