اکسپرس 24
ترجمه فارسی مقاله یادگیری مجموعه پارتو بدون در نظر گرفتن شکل در بهینه‌سازی چند هدفه با استفاده از جبهه پارتو

ترجمه فارسی مقاله یادگیری مجموعه پارتو بدون در نظر گرفتن شکل در بهینه‌سازی چند هدفه با استفاده از جبهه پارتو

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Pareto Front Shape-Agnostic Pareto Set Learning in Multi-Objective Optimization
عنوان مقاله به فارسی یادگیری مجموعه پارتو بدون در نظر گرفتن شکل در بهینه‌سازی چند هدفه با استفاده از جبهه پارتو
نویسندگان Rongguang Ye, Longcan Chen, Wei-Bin Kou, Jinyuan Zhang, Hisao Ishibuchi
فرمت مقاله انگلیسی PDF
تعداد صفحات 7
دسته بندی موضوعات Machine Learning,Optimization and Control,یادگیری ماشین , بهینه سازی و کنترل ,
توضیحات Submitted 11 August, 2024; originally announced August 2024. , Comments: 7 pages , Journal ref: IEEE International Conference on Systems, Man, and Cybernetics (IEEE SMC 2024)
توضیحات به فارسی ارسال شده در 11 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: 7 صفحه ، مجله Ref: کنفرانس بین المللی IEEE در مورد سیستم ها ، انسان و سایبرنتیک (IEEE SMC 2024)

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 280,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Pareto set learning (PSL) is an emerging approach for acquiring the complete Pareto set of a multi-objective optimization problem. Existing methods primarily rely on the mapping of preference vectors in the objective space to Pareto optimal solutions in the decision space. However, the sampling of preference vectors theoretically requires prior knowledge of the Pareto front shape to ensure high performance of the PSL methods. Designing a sampling strategy of preference vectors is difficult since the Pareto front shape cannot be known in advance. To make Pareto set learning work effectively in any Pareto front shape, we propose a Pareto front shape-agnostic Pareto Set Learning (GPSL) that does not require the prior information about the Pareto front. The fundamental concept behind GPSL is to treat the learning of the Pareto set as a distribution transformation problem. Specifically, GPSL can transform an arbitrary distribution into the Pareto set distribution. We demonstrate that training a neural network by maximizing hypervolume enables the process of distribution transformation. Our proposed method can handle any shape of the Pareto front and learn the Pareto set without requiring prior knowledge. Experimental results show the high performance of our proposed method on diverse test problems compared with recent Pareto set learning algorithms.

چکیده به فارسی (ترجمه ماشینی)

Pareto Set Learning (PSL) یک رویکرد در حال ظهور برای دستیابی به مجموعه کامل پارتو از یک مشکل بهینه سازی چند هدف است.روشهای موجود در درجه اول به نقشه برداری بردارهای ترجیحی در فضای عینی به راه حل های بهینه پارتو در فضای تصمیم گیری متکی هستند.با این حال ، نمونه برداری از بردارهای ترجیحی از نظر تئوری نیاز به دانش قبلی از شکل جلوی پارتو برای اطمینان از عملکرد بالای روشهای PSL دارد.طراحی یک استراتژی نمونه برداری از بردارهای اولویت دشوار است زیرا شکل جلوی پارتو از قبل قابل شناخته نیست.برای ایجاد کارآزمایی پارتو به طور مؤثر در هر شکل جلوی پارتو ، ما یک یادگیری مجموعه پارتو-آگنوستیک جلوی پارتو (GPSL) را پیشنهاد می کنیم که نیازی به اطلاعات قبلی در مورد جبهه پارتو ندارد.مفهوم اساسی در پشت GPSL درمان یادگیری مجموعه پارتو به عنوان یک مشکل تحول در توزیع است.به طور خاص ، GPSL می تواند توزیع دلخواه را به توزیع مجموعه پارتو تبدیل کند.ما نشان می دهیم که آموزش یک شبکه عصبی با به حداکثر رساندن hypervolume ، روند تحول توزیع را امکان پذیر می کند.روش پیشنهادی ما می تواند هر شکل از جلو پارتو را کنترل کند و مجموعه پارتو را بدون نیاز به دانش قبلی یاد بگیرد.نتایج تجربی عملکرد بالای روش پیشنهادی ما را در مورد مشکلات تست متنوع در مقایسه با الگوریتم های یادگیری مجموعه پارتو اخیر نشان می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.