論文の概要、ライセンス

# (参考訳) エピストクラシーアルゴリズム:複素最適化問題の解法のための新しいハイパーヒューリスティック最適化戦略 [全文訳有]

Epistocracy Algorithm: A Novel Hyper-heuristic Optimization Strategy for Solving Complex Optimization Problems ( http://arxiv.org/abs/2102.00292v1 )

ライセンス: CC BY-SA 4.0
Seyed Ziae Mousavi Mojab, Seyedmohammad Shams, Hamid Soltanian-Zadeh, Farshad Fotouhi(参考訳) 本稿では,人間の社会・政治行動と知性を組み込んで複雑な最適化問題を解く,エピストクラシーという新しい進化的アルゴリズムを提案する。 エピストクラシーアルゴリズムのインスピレーションは、教育を受けた人々が未教育か教育されていないよりも投票権を持つ政治政権に由来します。 このアルゴリズムは自己適応型でマルチ人口最適化であり、進化過程はリーダー評議会が主導する多くの集団で並行して行われる。 局所視能の低下を回避し, 早期収束を防止すべく, 重力力に基づく動的および適応的リーダーシップ, 動的人口配分と多様化, 分散に基づくステップサイズ決定, 回帰に基づくリーダーシップ調整といった複数の機構を用いる。 このアルゴリズムは、ラテンハイパーキューブサンプリング(LHS)と呼ばれる階層化サンプリング手法を用いて、探索空間の探索と蓄積した知識の活用のために、初期人口をより均等に分配する。 アルゴリズムの性能を調査し,信頼性を評価するために,マルチモーダルベンチマーク関数のセットを用い,そのアルゴリズムをMNISTデータセットに適用し,アルゴリズムの精度,スケーラビリティ,堅牢性を検証した。 実証実験の結果, エピストクラシーアルゴリズムは, 性能, 正確性, 収束性の観点から, 最先端進化・群知能アルゴリズムよりも優れていることがわかった。

This paper proposes a novel evolutionary algorithm called Epistocracy which incorporates human socio-political behavior and intelligence to solve complex optimization problems. The inspiration of the Epistocracy algorithm originates from a political regime where educated people have more voting power than the uneducated or less educated. The algorithm is a self-adaptive, and multi-population optimizer in which the evolution process takes place in parallel for many populations led by a council of leaders. To avoid stagnation in poor local optima and to prevent a premature convergence, the algorithm employs multiple mechanisms such as dynamic and adaptive leadership based on gravitational force, dynamic population allocation and diversification, variance-based step-size determination, and regression-based leadership adjustment. The algorithm uses a stratified sampling method called Latin Hypercube Sampling (LHS) to distribute the initial population more evenly for exploration of the search space and exploitation of the accumulated knowledge. To investigate the performance and evaluate the reliability of the algorithm, we have used a set of multimodal benchmark functions, and then applied the algorithm to the MNIST dataset to further verify the accuracy, scalability, and robustness of the algorithm. Experimental results show that the Epistocracy algorithm outperforms the tested state-of-the-art evolutionary and swarm intelligence algorithms in terms of performance, precision, and convergence.
公開日: Sat, 30 Jan 2021 19:07:09 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
Epistocracy Algorithm: A Novel Hyper-heuristic エピストクラシーアルゴリズム:新しい超ヒューリスティックアルゴリズム 0.48
Optimization Strategy for Solving Complex Optimization 複素最適化の最適化戦略 0.84
Problems Seyed Ziae Mousavi Mojab1, Seyedmohammad Shams2, Hamid Soltanian-Zadeh3, 問題 Seyed Ziae Mousavi Mojab1, Seyedmohammad Shams2, Hamid Soltanian-Zadeh3 0.79
Farshad Fotouhi4 Farshad Fotouhi4 0.88
1,4 Dept. of Computer Science, Wayne State University, Detroit, MI 48202, USA 享年1,4。 コンピュータサイエンス、ウェイン州立大学、デトロイト、MI 48202、米国。 0.58
2,3 Dept. of Radiology, Henry Ford Health System, Detroit, MI 48202, USA 2,3頁。 放射線学, ヘンリー・フォード健康システム, デトロイト, MI 48202, アメリカ 0.72
Abstract. This paper proposes a novel evolutionary algorithm called Epistocracy which incorporates human socio-political behavior and intelligence to solve complex optimization problems. 抽象。 本稿では,人間の社会・政治行動と知性を組み込んで複雑な最適化問題を解く,エピストクラシーという新しい進化的アルゴリズムを提案する。 0.66
The inspiration of the Epistocracy algorithm originates from a political regime where educated people have more voting power than the uneducated or less educated. エピストクラシーアルゴリズムのインスピレーションは、教育を受けた人々が未教育か教育されていないよりも投票権を持つ政治政権に由来します。 0.64
The algorithm is a selfadaptive, and multi-population optimizer in which the evolution process takes place in parallel for many populations led by a council of leaders. このアルゴリズムは自己適応的でマルチ人口最適化であり、進化過程はリーダー評議会が主導する多くの集団で並行して行われる。 0.83
To avoid stagnation in poor local optima and to prevent a premature convergence, the algorithm employs multiple mechanisms such as dynamic and adaptive leadership based on gravitational force, dynamic population allocation and diversification, variance-based step-size determination, and regression-based leadership adjustment. 局所視能の低下を回避し, 早期収束を防止すべく, 重力力に基づく動的および適応的リーダーシップ, 動的人口配分と多様化, 分散に基づくステップサイズ決定, 回帰に基づくリーダーシップ調整といった複数の機構を用いる。 0.85
The algorithm uses a stratified sampling method called Latin Hypercube Sampling (LHS) to distribute the initial population more evenly for exploration of the search space and exploitation of the accumulated knowledge. このアルゴリズムは、ラテンハイパーキューブサンプリング(LHS)と呼ばれる階層化サンプリング手法を用いて、探索空間の探索と蓄積した知識の活用のために、初期人口をより均等に分配する。 0.80
To investigate the performance and evaluate the reliability of the algorithm, we have used a set of multimodal benchmark functions, and then applied the algorithm to the MNIST dataset to further verify the accuracy, scalability, and robustness of the algorithm. アルゴリズムの性能を調査し,信頼性を評価するために,マルチモーダルベンチマーク関数のセットを用い,そのアルゴリズムをMNISTデータセットに適用し,アルゴリズムの精度,スケーラビリティ,堅牢性を検証した。 0.77
Experimental results show that the Epistocracy algorithm outperforms the tested state-of-the-art evolutionary and swarm intelligence algorithms in terms of performance, precision, and convergence. 実証実験の結果, エピストクラシーアルゴリズムは, 性能, 正確性, 収束性の観点から, 最先端進化・群知能アルゴリズムよりも優れていることがわかった。 0.67
Keywords: Epistocracy Algorithm, Evolutionary Computation, Metaheuristic Optimization Algorithm, Multi-dimensional Search, Swarm Intelligence. キーワード:エピスクラシーアルゴリズム、進化計算、メタヒューリスティック最適化アルゴリズム、多次元探索、群知能。 0.79
1 Introduction that Evolutionary computation (EC) encompasses methods mimicking mechanisms of biological evolution to solve various optimization problems. 1 はじめに 進化計算(EC)は、さまざまな最適化問題を解決するために生物学的進化のメカニズムを模倣する方法を含む。 0.68
An optimization problem essentially requires finding a set of parameters 𝑥⃗ = (𝑥1, … , 𝑥𝑛) 𝑆 of the current system, such that a certain quantity 𝑓: 𝑆 → ℝ is maximized (or minimized) ∀𝑥⃗ 𝑆 ∶ 𝑓(𝑥⃗) ≤ 𝑓(𝑥⃗∗). 最適化問題は、本質的には、ある量 f: S → R が最大化(または最小化)されるような、現在の系のパラメータ x* = (x1, ... , xn) の集合を見つける必要がある。
訳抜け防止モード: 最適化問題には基本的にパラメータのセットを見つける必要がある。 特定の量 f : s → r が最大となるように、現在の系の s は ..., xn) である。 or minimized ) ∀𝑥⃗ 𝑆 ∶ 𝑓(𝑥⃗ ) ≤ 𝑓(𝑥⃗∗ ) .
0.89
is a subfield of artificial 人工のサブフィールドです 0.60
intelligence インテリジェンス 0.55
英語(論文から抽出)日本語訳スコア
Over the past few decades, many state-of-the-art evolutionary algorithms such as Genetic algorithm (GA) and Evolutionary Strategies (ES) have been proposed for applications where a well-defined or closed-form solution does not exist [1]. 過去数十年間、遺伝的アルゴリズム (GA) や進化戦略 (ES) のような最先端の進化的アルゴリズムの多くは、明確に定義されたあるいは閉形式な解が存在しないアプリケーションのために提案されてきた。 0.74
Genetic algorithm was developed by John Holland in the early 1970s [2]-[4] mimicking Darwinian theory of survival of the fittest and Evolutionary Strategies founded by Rechenberg and Schwefel in 1965 [5]-[7] based on the hypothesis that small mutations occur more commonly than large mutations. 遺伝的アルゴリズムは1970年代初頭にジョン・ホランド(john holland)によって開発され、1965年にrechenbergとschwefelによって、小さな突然変異が大きな突然変異よりも一般的に起こるという仮説に基づいて、ダーウィンの生存論と進化戦略を模倣した。 0.68
Both Genetic algorithm and Evolutionary Strategies rely on the concept of population, representing potential solutions to the optimization problem which iteratively undergo genetic operators to improve their fitness score. 遺伝的アルゴリズムと進化戦略はどちらも集団の概念に依存しており、遺伝的演算子を反復的に適用して適合度を向上させる最適化問題に対する潜在的な解決策を表している。
訳抜け防止モード: 遺伝的アルゴリズムと進化戦略はどちらも人口の概念に依存している。 遺伝子操作を反復的に行う 最適化問題の潜在的な解決策を示す フィットネススコアを改善するために
0.70
While Genetic algorithms use a binary string of digits to represent solutions and use both mutation and recombination as genetic operators, in Evolutionary Strategies a fixed-length real-valued vector is used for representation, and only mutation is used as a primary search operator. 遺伝的アルゴリズムは二進数列を使って解を表現し、突然変異と組換えの両方を遺伝演算子として用いるが、進化戦略では固定長の実数値ベクトルが表現に使われ、突然変異のみを一次探索演算子として用いる。 0.72
In evolutionary algorithms, the recombination operator performs an information exchange, and the mutation operator generates variations of the solutions and increases the diversity among the population. 進化的アルゴリズムでは、組換え演算子は情報交換を行い、突然変異演算子は解のバリエーションを生成し、個体群の多様性を高める。 0.75
The selection operator, however, makes better individuals to survive and reproduce. しかし、選択オペレーターは、生存と繁殖のためにより良い個人を作る。 0.70
Another subset of nature-inspired algorithms is Swarm Intelligence (SI) which is based on collective behavior of a decentralized, self-organizing network of agents such as bird flocks or honeybees. 自然発のアルゴリズムのもう1つのサブセットは、鳥の群れやミツバチなどのエージェントの分散型、自己組織化されたネットワークの集団的行動に基づくSwarm Intelligence(SI)である。 0.70
In SI algorithms, multiple agents can locally interact and exchange heuristic information which leads to the emergence of global behavior of adaptive search and optimization. SIアルゴリズムでは、複数のエージェントが局所的に相互作用し、ヒューリスティックな情報を交換することで、適応探索と最適化のグローバルな振る舞いの出現につながる。 0.66
Particle Swarm Optimization (PSO) is an example of swarm intelligence proposed by Eberhart and Kennedy in 1995 [8]. Particle Swarm Optimization (PSO) は1995年にエバーハートとケネディによって提案されたSwarm Intelligenceの例である[8]。 0.76
This algorithm is inspired by social behavior of bird flocking and fish schooling. このアルゴリズムは、鳥の群れと魚の学業の社会的行動にインスパイアされている。 0.62
Similar to GA, PSO is initialized with a population of random candidate solutions that are improved iteratively over time, however, unlike GA has no evolution operators such as recombination and mutation. GAと同様に、PSOは時間とともに反復的に改善されるランダムな候補解の集団で初期化されるが、GAとは異なり、組換えや突然変異のような進化作用素は存在しない。 0.59
Despite the fact that PSO is a powerful and effective optimization technique, it still suffers from stagnation and premature convergence [9], [10]. PSOは強力で効果的な最適化手法であるにもかかわらず、まだ停滞と早めの収束 [9], [10] に悩まされている。 0.77
Several solutions including inertia weight, and time-varying coefficients have been proposed to eliminate these problems [11], [12]. これらの問題を取り除くために慣性重みや時変係数を含むいくつかの解が提案されている [11], [12]。 0.75
The Artificial Bee Colony (ABC) is another popular swarm intelligence-based algorithm which is inspired by the foraging behavior of the honeybees. 人工ミツバチコロニー(artificial bee colony, abc)は、ミツバチの採餌行動に触発された群知能に基づくアルゴリズムである。 0.71
ABC consists of three groups of bees: employed bees, onlookers, and scouts that have different roles in the optimization process. ABCは、ミツバチ、見物人、および最適化プロセスで異なる役割を持つスカウトの3つのグループで構成されています。 0.59
ABC is simple, easy to implement, and highly flexible [13]. ABCはシンプルで、実装が簡単で、柔軟性が高い[13]。 0.82
This algorithm was first proposed by Dervis Karaboga in 2005 [14] to optimize numerical problems. このアルゴリズムは2005[14]年にDervis Karabogaによって数値問題を最適化するために初めて提案された。 0.64
Since then, many variants of ABC have been introduced to increase the population diversity and avoid premature convergence [15], [16]. それ以来、abcの多くの変種が人口の多様性を高め、早期収束を避けるために導入されている [15], [16]。 0.81
Cuckoo Search Algorithm (CSA) is one of the latest swarm intelligence-based algorithms developed by Yang and Deb in 2009 [17]. Cuckoo Search Algorithm(CSA)は、ヤンとデブが2009年に開発した最新のスワームインテリジェンスベースのアルゴリズムの1つです[17]。 0.82
This algorithm is inspired by natural behavior of cuckoos who lay their eggs in other birds' nests for breeding. このアルゴリズムは、他の鳥類の巣に卵を産むカクーの自然な行動にインスパイアされている。 0.73
Compared to other approaches, Cuckoo requires fewer numbers of parameters to be fine-tuned. 他のアプローチと比較して、Cuckooは微調整されるパラメータの数が少ない。 0.71
In 2018, Mareli et al. 2018年に、Mareliら。 0.45
[18] developed three new Cuckoo search algorithms using linear, exponential and power increasing switching parameters to maintain an optimum balance between local and global exploration and increase the efficiency of CS algorithm. [18]では,局所探索とグローバル探索の最適バランスを維持し,CSアルゴリズムの効率を高めるために,線形・指数・電力増大パラメータを用いた3つの新しいCuckoo探索アルゴリズムを開発した。 0.77
In 2019, Li et al. 2019年、Li et al。 0.73
[19] proposed a new variant of CSA called I-PKL-CS [19]I-PKL-CSという新しいCSAの提案 0.82
英語(論文から抽出)日本語訳スコア
algorithm which employs self-adaptive knowledge learning strategies to mitigate premature convergence and poor balance between exploitation and exploration. 自己適応型知識学習戦略を採用して、早期収束と搾取と探索の間のバランス不良を緩和するアルゴリズム。 0.69
IPKL-CS exploits individual and population knowledge learning to improve the quality of solutions and convergence rate. IPKL-CSは個人および人口の知識の学習を解決および収束率の質を改善するために利用します。 0.67
There exist many real-world applications for EC. ECには多くの実世界の応用がある。 0.64
In [20], the genetic algorithm was used to decrease the dimension of the data and to optimize the weights and biases of the neural network in ECG signal classification. 20]では,ecg信号分類において,データの次元を縮小し,ニューラルネットワークの重みとバイアスを最適化するために遺伝的アルゴリズムを用いた。 0.86
Xi et al. [21] used PSO to improve the performance of their neural network in order to assess the hazard of earthquakeinduced landslide. Xiなど。 21] 地震による地すべりの危険性を評価するために, PSOを用いてニューラルネットワークの性能を改善した。 0.68
Kim et al. [22] used self-adaptive Evolutionary Strategies to optimize the parameters of an autonomous car controller. キムら。 自動走行車の制御装置のパラメータを最適化するために, [22] 自己適応進化戦略を用いた。 0.53
Prakash et al. とprakash et al。 0.84
[23] employed the Cuckoo Search algorithm to perform job scheduling and resource allocation on the grid. 23] グリッド上でジョブスケジューリングとリソース割り当てを行うために,cuckoo 探索アルゴリズムを採用した。 0.81
Yeh et al. [24] used ABC to optimize a bee recurrent neural network to generate a novel approximate model for predicting network reliability. と言いました。 [24]ABCを用いてミツバチリカレントニューラルネットワークを最適化し、ネットワーク信頼性を予測するための新しい近似モデルを生成する。
訳抜け防止モード: と言いました。 ][24]使用abc ミツバチリカレントニューラルネットワークを最適化し、ネットワーク信頼性を予測するための新たな近似モデルを生成する。
0.64
The selection of an evolutionary approach can drastically reduce the amount of time needed for finding an optimal solution. 進化的アプローチの選択により、最適なソリューションを見つけるのに必要な時間を大幅に削減できます。 0.78
According to several studies, evolutionary algorithms, in general, suffer from various problems such as limited searching ability [25]-[27], curse of dimensionality and scalability [28], [29], premature convergence and stagnation [30]-[33], and poor performance which usually occur in the absence of population diversity and adaptability [34]-[36], and due to unbalanced exploration-exploita tion capacities [37], [38]. いくつかの研究によると、進化的アルゴリズムは、一般に、限られた探索能力 [25]-[27]、次元とスケーラビリティの呪い [28], [29]、早めの収束と停滞 [30]-[33]、人口多様性と適応性 [34]-[36] の欠如、不均衡な探索-探索能力 [37], [38] など、様々な問題に悩まされている。
訳抜け防止モード: いくつかの研究によると、進化的アルゴリズムは一般に、限られた探索能力[25]-[27]のような様々な問題に悩まされている。 次元とスケーラビリティの呪い [28 ], [29 ] 早期収束・停滞[30]-[33],人口多様性・適応性の欠如(34]-[36])に通常発生するパフォーマンス不良[30]-[33] そして、不均衡な探索により、 搾取能力[37]、[38]。
0.80
The work reported in this paper was motivated by the fact that optimization algorithms require new explorative and exploitative capabilities along with a dynamic resource allocation technique and diversification strategies to help them converge to the optimal solution at the early stages of the optimization process. 本研究は,最適化プロセスの初期段階における最適解への収束を支援するため,最適化アルゴリズムが動的資源割り当て技術や多様化戦略とともに,新たな爆発的・有効性を必要とするという事実を動機としたものである。 0.80
There is a need for a new generation of evolutionary algorithms that can avoid entrapment in local optima and prevent premature convergence [39], [30]. 局所光学系における巻き込みを回避し,[39],[30]の早期収束を防止できる,新しい世代の進化アルゴリズムが必要である。 0.75
To find the optimal solution, these algorithms must employ a directed and goal-oriented search rather than a purely random and stochastic one. 最適な解を見つけるためには、これらのアルゴリズムは、純粋にランダムで確率的なものではなく、有向かつ目標指向の探索を用いる必要がある。 0.56
In this paper, we propose a new hyper-heuristic algorithm based on a political regime called Epistocracy where educated people have more voting power (weight) than the uneducated or less educated. 本稿では,非教育者や低学歴者よりも,教育者の方が投票力(重み)が高い政治体制に基づく新しい超ヒューリスティックアルゴリズムを提案する。 0.71
The Epistocracy algorithm splits the population into Governors and Citizens based on the performance of the individuals. エピストクラシーのアルゴリズムは、個人のパフォーマンスに基づいて、人口を知事と市民に分割する。 0.69
The Citizens are assigned Governors based on the degree of similarity and the exercise of free will. 市民は類似度と自由意志の行使度に基づいて知事を任命される。 0.63
Once a Citizen is assigned a Governor, they move towards their Governor in an attempt to mimic some of the traits which made their Governor successful. 市民が知事に指名されると、彼らは知事を成功させたいくつかの特性を模倣するために知事に向かって動く。
訳抜け防止モード: 市民が知事に指名されると、彼らは知事に向かって動きます 総督を成功させた 特徴を模倣したのです
0.67
Governors will also try to improve themselves and lead their population to collaboratively search for the optimal solution. 知事は自らを改良し、住民を協力して最適な解決策を探そうとする。 0.64
The Epistocracy algorithm is a self-adaptive, and multi-population optimizer in which the evolution process takes place in parallel for many populations led by a council of leaders. エピストクラシーアルゴリズムは自己適応的で、進化過程がリーダー評議会が主導する多くの集団で並行して行われるマルチ人口最適化アルゴリズムである。 0.76
To avoid entrapment in poor local optima and to prevent a premature convergence, the algorithm employs multiple mechanisms such as dynamic and adaptive leadership based on gravitational force, dynamic population allocation and diversification, variance-based step-size determination, and regression-based leadership adjustment. 局所視能の低下を回避し, 早期収束を防止すべく, 重力力に基づく動的および適応的リーダーシップ, 動的人口配分と多様化, 分散に基づくステップサイズ決定, 回帰に基づくリーダーシップ調整といった複数の機構を用いる。 0.84
The algorithm uses a stratified sampling method called Latin このアルゴリズムはラテンという層別サンプリング法を用いる 0.76
英語(論文から抽出)日本語訳スコア
Hypercube Sampling (LHS) to distribute the initial population more evenly for exploration of the search space and exploitation of the accumulated knowledge. hypercube sampling (lhs) は探索空間の探索と蓄積された知識の活用のために初期個体群をより均等に分配する。 0.77
The rest of the paper is organized as follows. 残りの論文は以下の通り整理される。 0.66
Section 2 describes the overall structure of the Epistocracy algorithm in detail. 第2節では、エピストクラシーアルゴリズムの全体構造を詳細に記述する。 0.72
Experimental results and comparative studies on benchmark test functions along with Convolutional Neural Networks (CNNs) parameter optimization are presented in Section 3. Convolutional Neural Networks (CNNs) パラメータの最適化とともにベンチマークテスト関数に関する実験的結果と比較研究を第3節に示します。 0.84
Finally, conclusions and directions for future research are presented in Section 4. 最後に、今後の研究の結論と方向性を第4節に示す。 0.63
2 Epistocracy Algorithm 2 エピスクラシーアルゴリズム 0.62
2.1 Overview The term Epistocracy is derived from the Greek word epistêmê meaning knowledge, knowing, and understanding. 2.1概要 エピストクラシー(英: Epistocracy)とはギリシャ語で「知識、知識、理解」を意味する。 0.69
John Stuart Mill (1806-1873), the British philosopher and political economist in his book “Mill on Bentham and Coleridge” proposed to give more votes to the better educated [40]. ジョン・スチュアート・ミル(1806-1873)は、イギリスの哲学者であり、彼の著書「Mill on Bentham and Coleridge」で政治経済学者である。 0.63
Jason Brennan believes that more competent or knowledgeable citizens must have slightly more political power than less competent citizens [41]. Jason Brennan氏は、より有能で知識のある市民は、より有能な市民よりもわずかに政治的権力を持つ必要があると考えている[41]。 0.59
In fact, the problem with democracy is the elimination of the epistemic dimension of democracy. 実際、民主主義の問題は民主主義の認識論的な次元の排除である。 0.73
While Democracy is more about the input aspect of the decision-making process, Epistocracy is concerned about the output. 民主主義は意思決定プロセスのインプット的な側面よりも、エピストクラシーはアウトプットに気を配っている。 0.62
Epistocracy algorithm is multi-population optimization algorithm which seeks to minimize the time taken to find an optimal value for the problem being solved. Epistocracyアルゴリズムは、解決される問題に最適な値を見つけるのに要した時間を最小化しようとするマルチ人口最適化アルゴリズムです。
訳抜け防止モード: エピスクラシーアルゴリズムは多集団最適化アルゴリズムである 解決される問題の最適値を見つけるのに要する時間を最小化しようとする。
0.88
As an adaptive, hyper-heuristic algorithm, Epistocracy employs problem-related knowledge, and globally aggregated statistics to automatically adjust itself during each run and search through a space of meta-heuristics to find the optimal solution. 適応的でハイパーヒューリスティックなアルゴリズムとして、エピストクラシーは問題に関連する知識とグローバルに集約された統計を利用して、実行中に自動的に調整し、最適なソリューションを見つけるためのメタヒューリスティックの空間を探索します。
訳抜け防止モード: 適応的で超ヒューリスティックなアルゴリズムとして、エピストクラシーは問題-関連知識を用いる。 グローバルに統計を集計し 実行毎に自動的に自己調整します メタヒューリスティックの空間を探索する 最適な解決策を見つけるためです
0.67
Epistocracy attempts to incorporate human sociopolitical behavior and intelligence to improve the performance and convergence speed and reduce the probability of getting trapped in local optima compared to other meta-heuristic algorithms. エピストクラシーは、人間の社会政治的行動と知性を取り入れて、パフォーマンスと収束速度を改善し、他のメタヒューリスティックアルゴリズムと比較して局所的な楽観に閉じ込められる確率を減らすことを試みている。 0.51
Fig. 1. Flow diagram of Epistocracy algorithm. フィギュア。 1. エピストクラシーアルゴリズムの流れ図。 0.57
英語(論文から抽出)日本語訳スコア
As illustrated in Fig. 1, the Epistocracy algorithm is made of two primary components: Governors and Citizens. 図に示すように。 1、エピストクラシーアルゴリズムは、知事と市民の2つの主要なコンポーネントで構成されています。 0.70
Citizens are individual solutions that are randomly and uniformly created. 市民はランダムかつ均一に作成される個々のソリューションです。 0.76
In each generation, all individuals are evaluated with a pre-defined fitness function. 各世代において、すべての個人は予め定義されたフィットネス機能で評価される。 0.59
The top-performing individuals (Governors) are then selected through the Select() function to lead the population. トップパフォーマンスの個人 (Governors) は、人口を導くために Select() 関数を介して選択されます。 0.79
Governors are, in fact, a network of cooperative leaders who influence and evolve the generation of the new population via Lead() function. 知事は実際には、リード()機能を通じて新しい人口の発生に影響を与え発展させる協力的指導者のネットワークである。 0.70
While Governors continuously improve themselves, citizens can vote for governors and affect their position in the government. 知事は継続的に自らを改良するが、市民は知事に投票し、政府におけるその地位に影響を与えることができる。
訳抜け防止モード: 知事は継続的に改善するが、市民は知事に投票できる 政府の立場に影響を与えます
0.69
Information is systematically propagated among citizens and governors. 情報は市民と知事の間で体系的に伝達される。 0.57
Fig. 2 shows the flowchart of the proposed algorithm. フィギュア。 2は,提案アルゴリズムのフローチャートを示す。 0.62
Fig. 2. Flowchart of the Epistocracy algorithm with all steps involved from the フィギュア。 2. からのすべてのステップを含むエピストクラシーアルゴリズムのフローチャート。 0.63
population generation until outputting the optimal solution. 最適なソリューションを出力するまでの人口発生。 0.67
英語(論文から抽出)日本語訳スコア
2.2 Generating the Initial Population 2.2 初期人口の生成 0.83
The Epistocracy algorithm starts the optimization process by generating a population of random solutions, using a stratified sampling method called Latin Hypercube Sampling (LHS) which was originally proposed by McKay in 1979 [42]. エピスクラシーアルゴリズムは、1979年にmckayによって最初に提案されたラテン・ハイパーキューブサンプリング (lhs) と呼ばれる階層化サンプリング法を用いてランダム解の集団を生成することによって最適化プロセスを開始する。 0.76
Each individual solution has a set of genes or attributes known as chromosome which are defined using their corresponding upper and lower bounds in the search space. 各溶液は染色体と呼ばれる一連の遺伝子または属性を持ち、対応する上界と下界を探索空間で定義する。 0.70
In this algorithm, the set of attributes represent the initial position and level of political knowledge of each individual in the society. このアルゴリズムでは、属性のセットは、社会における各個人の政治的知識の初期位置とレベルを表します。 0.82
2.3 Performance Evaluation The performance of an individual in the population is evaluated using a pre-defined fitness function. 2.3 性能評価 予め定義されたフィットネス機能を用いて、人口の個人のパフォーマンスを評価する。 0.70
Given the individual’s current chromosome, the actual performance is calculated and stored as an individual’s “actual performance.” The previous actual performance is also recorded for future reference. 個々の現在の染色体を考えると、実際のパフォーマンスが計算され、個人の「実際のパフォーマンス」として保存されます。
訳抜け防止モード: 個々の染色体を考えると、実際の性能は計算される 個々の“実際のパフォーマンス”としてストアされる。 以前の実際のパフォーマンスも将来の参照のために記録される。
0.73
Individual solutions are then ranked based on their actual performance (fitness score). 個々のソリューションは、実際のパフォーマンス(適合度スコア)に基づいてランク付けされる。 0.66
The adjusted performance is calculated based on the actual performance of each individual solution. 調整された性能は、各ソリューションの実際のパフォーマンスに基づいて算出される。 0.75
The calculation steps will be explained in detail in the following sections. 計算手順は、以下のセクションで詳細に説明します。 0.70
2.4 Population Separation 2.4 人口分離 0.68
Different people demonstrate different understandings of patterns of change and achieve different levels of success and result upon the social hierarchy. 異なる人々は変化のパターンに対する異なる理解を示し、異なるレベルの成功と社会階層への結果を達成する。 0.84
This algorithm plans to separate the Governors from Citizens based on the level of success an individual can achieve. このアルゴリズムは、個人が達成できる成功のレベルに基づいて、知事を市民から分離する計画です。 0.76
The top performers in the population will be considered “Governors” and the rest will be considered “Citizens”. 人口のトップパフォーマーは「政府」と見なされ、残りは「市民」と見なされます。
訳抜け防止モード: 人口のトップパフォーマーは「知事」と見なされます。 そして残りは「市民」とみなされます。
0.54
2.5 Governor Assignment Before evolving each individual and moving them around, about five percent of the top-performing individuals in each generation are selected as a set of governors to lead the population and help them improve their performance. 2.5 知事就任 個人を進化させ、移動する前に、各世代のトップパフォーマンスの個人の約5%が、人口をリードし、彼らのパフォーマンスを向上させるために知事のセットとして選ばれます。 0.58
Transcending traditional societies, in Epistocracy, governments have no obvious borders, and individuals can follow or vote for any governor anywhere expressing the idea of “Global Village”. エピストクラシーの伝統的な社会を超越すると、政府は明確な境界を持たず、個人は「グローバル・ビレッジ」という概念を表わすあらゆる知事に従ったり投票したりできる。 0.60
In the Epistocracy algorithm, each individual is assigned to a governor based on their phenotypic characteristics, and the degree of influence and impact of the governor on the citizen. エピストクラシーアルゴリズムでは、各個人は、その表現型特性、および市民に対する知事の影響と影響の程度に基づいて、知事に割り当てられます。 0.59
To that end, the Gravitational Force (1) is used to calculate the magnitude of attraction between each citizen and every governor. この目的のために、重力(1)は、各市民と各知事の間の引力の大きさを計算するために用いられる。 0.71
A governor with a larger gravitational force has a higher probability to attract a citizen and form a larger territory. 大きな重力力を持つ知事は、市民を引き寄せ、より大きな領域を形成する確率が高い。 0.67
However, some citizens may act as rebels and resist against the orders of the befitting authorities and may follow different governors. しかし、一部の市民は反乱者として行動し、適格な当局の命令に抵抗し、異なる総督に従うことができる。 0.64
𝐹 = 𝐺 × ( 𝑚1 × 𝑚2 𝐹 = 𝐺 × ( 𝑚1 × 𝑚2 0.82
𝑟2 ) (1) 𝑟2 ) (1) 0.83
英語(論文から抽出)日本語訳スコア
In the above equation of the Gravitational Force, G is a constant, and m1, and m2, are the adjusted performances of the governor and citizen respectively. 上記の重力力方程式では、Gは定数であり、m1、m2は、それぞれ知事と市民の調整されたパフォーマンスである。 0.68
All performances are normalized using the following formula: 演奏はすべて次の式で正規化される。 0.59
𝑃𝑛𝑜𝑟𝑚 𝑖 = [ 𝑃𝑛𝑜𝑟𝑚 𝑖 = [ 0.85
𝑃𝑖 − 𝑚𝑖𝑛(𝑃𝑔𝑜𝑣𝑒𝑟𝑛𝑜𝑟𝑠) 𝑃𝑖 − 𝑚𝑖𝑛(𝑃𝑔𝑜𝑣𝑒𝑟𝑛𝑜𝑟𝑠) 0.85
] 𝑚𝑎𝑥(𝑃𝑔𝑜𝑣𝑒𝑟𝑛𝑜𝑟𝑠) − 𝑚𝑖𝑛(𝑃𝑔𝑜𝑣𝑒𝑟𝑛𝑜𝑟𝑠) ] 𝑚𝑎𝑥(𝑃𝑔𝑜𝑣𝑒𝑟𝑛𝑜𝑟𝑠) − 𝑚𝑖𝑛(𝑃𝑔𝑜𝑣𝑒𝑟𝑛𝑜𝑟𝑠) 0.85
−1 (2) In (2), Pi is the individual’s actual performance, where Pgovernors is the list of governors’ performances. −1 (2) (2)では、Piは個人の実際のパフォーマンスであり、Pgovernorsは知事のパフォーマンスのリストである。 0.79
The Euclidean distance (3) is used to calculate the distance r between a governor ユークリッド距離(3)は、知事間の距離rを計算するために使用される 0.77
and a citizen. 𝑑𝑖𝑠𝑡(𝒙𝒊, 𝒙𝒋) = ‖𝒙𝒊 − 𝒙𝒋‖ = √∑(𝑥𝑖𝑘 − 𝑥𝑗𝑘) そして市民だ 𝑑𝑖𝑠𝑡(𝒙𝒊, 𝒙𝒋) = ‖𝒙𝒊 − 𝒙𝒋‖ = √∑(𝑥𝑖𝑘 − 𝑥𝑗𝑘) 0.70
2 𝑛 𝑛 = 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 2 𝑛 𝑛 = 𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 0.85
𝑘=1 (3) To imitate the rebelliousness of citizens, a roulette wheel with the governors' calculated gravitational forces is used to give citizens a freedom of selecting other governors with even a greater dissimilarity (distance). 𝑘=1 (3) 市民の反逆性を模倣するために、知事の計算された重力力を持つルーレットホイールを使用して、市民により大きな異種性(距離)を持つ他の知事を選択する自由を与える。 0.69
This will help the algorithm to explore the interspace between the governors by moving a citizen across the governments. これは、市民を政府に移動させることで、知事間の空間を探索するアルゴリズムに役立つだろう。 0.67
The selection probability is defined using the following equation: 選択確率は次の式で定義されます。 0.82
𝑃𝑗 = 𝐺(𝑆𝑗) 𝑛 𝑖=1 𝑃𝑗 = 𝐺(𝑆𝑗) 𝑛 𝑖=1 0.88
∑ 𝐺(𝑆𝑖) (4) ∑ 𝐺(𝑆𝑖) (4) 0.85
In (4), n is the number of governors. (4)では、nは知事の数である。 0.68
G is the gravitational force of solution Sj. G は解 Sj の重力力である。 0.75
In the next generation, if the assigned governor is overthrown or resigned due to their poor performance or their own population votes, the surviving citizen will choose a new governor from the updated list of governors. 次の世代では、割り当てられた知事が業績の悪さや自身の人口投票のために転覆または辞任した場合、生き残った市民は、更新された知事のリストから新しい知事を選択します。 0.61
If a governor performs poorly, eventually, he will be degraded and may lose all his population and get removed from the current list of governors. 知事の成績が悪ければ、最終的に彼は失格となり、人口を全て失い、現在の知事リストから外される可能性がある。 0.66
This happens when a population's total performance over a certain period of time (an iteration) compared to other populations is very small. これは、ある一定期間(イテレーション)における集団の総パフォーマンスが他の集団と比較して非常に小さい場合に起こります。 0.78
In this case, the governor will lose his popularity regardless of his own performance at the time of being selected. この場合、知事は選出された時点で自分の業績に関係なく、その人気を失うことになる。 0.72
In fact, a governor's popularity rests on his credibility and competence, and his performance in leading his population and improving their lives. 実際、知事の人気は、その信任性と能力と、その人口をリードし、その生活を改善する業績にかかっている。 0.71
By adjusting the actual performance of the governor, the governor's rank in the governors list will change. 知事の実際の業績を調整することによって、知事リストの知事のランクは変わります。 0.55
Given that, this governor will have a lower chance to be selected by new citizens who do not have any governor yet. それを考えると、この知事は、まだ知事を持っていない新しい市民によって選ばれる機会が低くなります。 0.67
2.6 Leading the Population 2.6 人口を先導する 0.70
In the next step, the Epistocracy algorithm allows governors to lead their own population. 次のステップでは、エピストクラシー・アルゴリズムによって知事が自身の人口を導くことができる。 0.62
Each citizen will take a step of variable length (5) toward his governor to improve his performance and become similar and even better than their governor. 各市民は、その業績を改善するために、その知事に対して、変動する長さ(5)の歩みを採り、その知事よりも類似し、さらに良くなるだろう。
訳抜け防止モード: 各市民は知事に向かって可変長 (5 ) を踏む。 彼の業績を良くし、彼らの総督よりもよく似ています。
0.73
The あらすじ 0.35
英語(論文から抽出)日本語訳スコア
step size is proportional to the distance between the governor and citizen and inversely proportional to the self-improvement of the citizen under the rule of the governor. ステップサイズは、知事と市民の間の距離に比例し、総督の統治下での市民の自己改善に逆比例する。 0.68
The following formula is used to calculate the next step of each citizen: 以下の式は、各市民の次のステップを計算するために使われる。 0.71
𝑆𝑖 = ( 𝐼𝑎𝑣𝑔 𝐼𝑚𝑖𝑛 𝑆𝑖 = ( 𝐼𝑎𝑣𝑔 𝐼𝑚𝑖𝑛 0.85
) × 𝜎2 × 𝑑𝑖,𝑔 × 𝜑 ) × 𝜎2 × 𝑑𝑖,𝑔 × 𝜑 0.94
(5) where Si is the individual’s new step size, and Iavg is the average improvement of the governor’s sub-population (7). (5) Siは個人の新しいステップサイズであり、Iavgは州知事のサブ人口(7)の平均的な改善である。 0.76
Imin is the minimum improvement in the population. イミンは人口の最小限の改善である。 0.71
σ2 is the variance of the sub-population, and di,g is the Euclidean distance between the individual and its designated governor. σ2はサブ人口の分散であり、di,gは個人と指定された知事の間のユークリッド距離である。 0.70
φ is the rate of change equal to 0.1. φ は 0.1 に等しい変化率である。 0.87
The selfimprovement is calculated as follows: 自己改善は次のように計算される。 0.57
𝐼𝑖 = (𝑃𝑜𝑙𝑑 𝑖 − 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑖) 𝐼𝑖 = (𝑃𝑜𝑙𝑑 𝑖 − 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑖) 0.85
(6) The self-improvement is the difference between the old and the current actual performance of the citizen. (6) 自己改善とは、高齢者と現在の市民のパフォーマンスの違いである。 0.76
The average improvement is then calculated by: 平均的な改善は次のようになります。 0.58
𝐼𝑎𝑣𝑔 = 1 𝑛 𝐼𝑎𝑣𝑔 = 1 𝑛 0.85
𝑛 × ∑ 𝐼𝑖 𝑖=1 𝑛 × ∑ 𝐼𝑖 𝑖=1 0.76
(7) In (7), n is the size of the governor’s sub-population. (7) 7)では、nは知事のサブ人口の大きさである。 0.73
The average improvement is an important factor for the step size determination. 平均的な改善はステップ サイズ決定のための重要な要因です。 0.82
To avoid missing any minima or maxima, a smaller step will be taken when a larger improvement is achieved, and a larger step will be taken when a smaller improvement is obtained. 極小化や極大化を回避するため、より大きな改善が達成された場合にはより小さなステップを、より小さな改善が得られた場合にはより大きなステップを踏む。 0.77
The population variance is given by the following formula: 人口変動は以下の式によって与えられる。 0.82
𝜎2 = ∑(𝑥𝑖 − 𝜇)2 𝜎2 = ∑(𝑥𝑖 − 𝜇)2 0.81
𝑛 (8) To reflect the diversity of the society, if a citizen by taking a new step becomes exactly similar to his governor or another citizen in the same population, the citizen will be mutated to save the system resources. 𝑛 (8) 社会の多様性を反映するために、新たなステップを踏み出した市民が、同じ人口の知事や他の市民と全く同じようになれば、市民はシステム資源を節約するために変異される。 0.81
This also helps the algorithm to avoid division by zero in calculating the gravitational force when the distance between a citizen and his governor becomes zero. これはまた、市民と知事の間の距離がゼロになったときに重力を計算する際にゼロの分割を避けるのに役立つ。 0.73
2.7 Improving Governors 2.7 知事の改善 0.65
Similar to citizens, governors will also improve themselves by taking a step in a direction that hopefully increases their performance. 市民と同様に、知事は自分のパフォーマンスを高める方向に一歩踏み出すことで、自らを改善する。 0.67
To that end, the variance of governors’ population is calculated, helping governors converge toward a location with the highest possibility of finding the optimal solution. そのために、知事の人口のばらつきが計算され、知事が最適な解決策を見つける可能性が最も高い場所に収束するのを助ける。 0.62
The next step size of the governor is calculated like that of a citizen. 知事の次のステップサイズは、市民のステップのように計算される。 0.73
However, instead of calculating the distance between the governor and citizen, this time the governor’s previous step is considered according to the following formula: ただし、知事と市民の間の距離を計算する代わりに、今回は知事の前のステップは、次の式に従って考慮されます。 0.69
英語(論文から抽出)日本語訳スコア
𝑆𝑗 = ( 𝐼𝑎𝑣𝑔 𝐼𝑗 𝑆𝑗 = ( 𝐼𝑎𝑣𝑔 𝐼𝑗 0.85
) × 𝜎2 × 𝑆𝑝𝑟𝑒𝑣 𝑗 ) × 𝜎2 × 𝑆𝑝𝑟𝑒𝑣 𝑗 0.97
(9) where “previous step” Sprev is initialized as: (9) sprevは次のように初期化されます。 0.80
𝑝𝑟𝑒𝑣𝑆𝑡𝑒𝑝 = (𝑢𝑝𝑝𝑒𝑟𝑙𝑖𝑚𝑖𝑡 − 𝑙𝑜𝑤𝑒𝑟𝑙𝑖𝑚𝑖𝑡) × 𝑠𝑝𝑎𝑐𝑒𝑟𝑒𝑠𝑜𝑙𝑢𝑡𝑖𝑜𝑛 𝑝𝑟𝑒𝑣𝑆𝑡𝑒𝑝 = (𝑢𝑝𝑝𝑒𝑟𝑙𝑖𝑚𝑖𝑡 − 𝑙𝑜𝑤𝑒𝑟𝑙𝑖𝑚𝑖𝑡) × 𝑠𝑝𝑎𝑐𝑒𝑟𝑒𝑠𝑜𝑙𝑢𝑡𝑖𝑜𝑛 0.85
(10) In (10), upperlimit and lowerlimit are the boundaries of the search space, and the space resolution is initially set to 0.001. (10) 10)では、検索空間の境界は upperlimit と lowerlimit であり、最初に空間分解能が 0.001 に設定される。 0.80
Since the governor is in charge of leading his population and pushing them to the right direction, the algorithm will let the governor take a step only if that step improves his overall performance, otherwise, the governor will stay in his previous place without making any movement. 知事は人口を指導し、正しい方向に進めているので、アルゴリズムは、そのステップが全体的な性能を改善した場合にのみ、知事にステップを踏ませ、さもないと、知事は動きを起こさずに以前の位置に留まる。 0.65
Since for computing the new step the variance of all governors is used, in the next iterations for the same governor the step size might be different and might help the governor to get improved and consequently positively contribute to the improvement of his population. 新しいステップを計算するためには、すべての知事のばらつきが使用されるので、同じ知事の次のイテレーションでは、ステップサイズが異なり、知事が改善され、その結果、その人口の改善に肯定的な貢献をする可能性がある。 0.57
The following piecewise function (11) shows the conditional step that must be taken by each governor, provided that the step improves the governor’s actual performance: 下記の機能(11)は、各知事が実施しなければならない条件ステップを示し、そのステップが知事の実際のパフォーマンスを改善することを条件としている。 0.60
𝑆𝑗 = { ( 𝑆𝑗 = { ( 0.85
𝐼𝑎𝑣𝑔 𝐼𝑗 ) × 𝜎2 × 𝑆𝑝𝑟𝑒𝑣 𝑗 𝑖𝑓 ∆𝑃 ≤ 0 𝐼𝑎𝑣𝑔 𝐼𝑗 ) × 𝜎2 × 𝑆𝑝𝑟𝑒𝑣 𝑗 𝑖𝑓 ∆𝑃 ≤ 0 0.92
0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒 0 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒 0.71
(11) where ∆𝑃 = 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑛𝑒𝑤 − 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑜𝑙𝑑. (11) where ∆𝑃 = 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑛𝑒𝑤 − 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑜𝑙𝑑. 0.89
This formula is designed for a minimization optimization problem. この式は最小化最適化問題のために設計されている。 0.60
2.8 Governor’s Performance Adjustment 2.8 知事のパフォーマンス調整 0.84
When a population performs well or poorly under a leadership of a governor, the algorithm will adjust the governor’s actual performance to allocate the right amount of resources (individuals) to the governor. 人口が知事のリーダーシップの下でうまくまたは不十分に実行すると、アルゴリズムは知事の実際のパフォーマンスを調整し、適切なリソース(個人)を知事に割り当てます。 0.68
For example, if a population is performing well, that must increase the trust of the population in the governor. 例えば、人口がうまく機能している場合、それは知事の人口の信頼を高める必要があります。 0.74
In this case, generally more individuals will be following the governor to help him accomplish the task of finding the optimal solution. この場合、より多くの個人が知事に従い、最適な解決策を見つけるタスクを遂行する手助けをするでしょう。 0.65
If a governor is performing poorly, the governor’s actual performance will be lowered accordingly, and eventually, some individuals will leave the governor and follow another governor to improve their quality of life. 知事が不調な場合、知事の実際の業績はそれに従って低下し、最終的には一部の個人が知事を去り、別の知事に従って生活の質を向上させる。 0.51
In other words, like the Epistocratic societies, when a population is under-performing, this will eventually affect the popularity and credibility of the governor. 言い換えれば、エピストクラテス社会のように、人口がパフォーマンスが低い場合、これは最終的に知事の人気と信頼性に影響を与えます。 0.66
Those people who initially voted for that governor, will shift away from the governor, and try to choose another governor. 最初にその知事に投票した人々は、知事から離れ、別の知事を選出しようとします。 0.53
In each iteration, the population will vote on the performance of the governor, however, these votes have different weights. 各イテレーションで、人口は知事のパフォーマンスに投票しますが、これらの投票は異なる重みを持っています。 0.69
The Epistocracy algorithm will compute the average improvement per each population, giving higher weights to individuals who are closer to the governor (and エピストクラシー・アルゴリズムは人口ごとの平均的な改善を計算し、知事に近い個人(およびそれに近い個人)により高い重みを与える。 0.69
英語(論文から抽出)日本語訳スコア
more educated) and lower weights to citizens who are farther away (and less educated) before using the following formula: より教育された)と、以下の式を使用する前に遠く(かつ教育の少ない)市民への体重を減らす。 0.73
𝐼𝑎𝑣𝑔 = 1 ∑ 𝑤𝑖 𝐼𝑎𝑣𝑔 = 1 ∑ 𝑤𝑖 0.85
𝑛 𝑖=1 𝑛 × ∑ 𝑤𝑖𝐼𝑖 𝑛 𝑖=1 𝑛 × ∑ 𝑤𝑖𝐼𝑖 0.80
𝑖=1 (12) In (12), n is the size of the sub-population and Ii is the individual’s self-improvement given by: 𝑖=1 (12) 12) では、n はサブ人口の大きさであり、ii は次の個人の自己改善である。 0.69
𝐼𝑖 = (𝑃𝑜𝑙𝑑𝑎𝑐𝑡𝑢𝑎𝑙𝑖 − 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑖) 𝐼𝑖 = (𝑃𝑜𝑙𝑑𝑎𝑐𝑡𝑢𝑎𝑙𝑖 − 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑖) 0.85
(13) In (13), Pi is the individual’s performance. (13) 13)では、Piは個人のパフォーマンスです。 0.73
The weight of an individual’s vote, wi is calculated as follows: 個人の投票の重量、wiは次のように計算されます。 0.66
𝑤𝑖 = − log wi = − ログ。 0.87
𝑑𝑖,𝑔 ∑ 𝑛 𝑘=0 𝑑𝑖,𝑔 ∑ 𝑛 𝑘=0 0.80
𝑑𝑘,𝑔 × 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑖 𝑑𝑘,𝑔 × 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑖 0.85
(𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑔 − 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑖) + 𝜀 (𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑔 − 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑖) + 𝜀 0.85
(14) 𝑛 𝑘=0 (14) 𝑛 𝑘=0 0.78
where 𝑑𝑖,𝑔 is the Euclidean distance between the individual and their governor. ここでdi,gは個人と総督の間のユークリッド距離である。 0.61
∑ is the total distance between a governor and every individual in their subpopulation. は、知事とそのサブ人口における各個人の間の合計距離である。 0.63
P is the performance, and 𝜀 is a very small positive number. P は性能であり、ε は非常に小さい正の数である。 0.83
In (14), the log scale is used to mitigate the impact of extreme changes in distance calculation. 14)では、ログスケールは距離計算の極端な変化の影響を軽減するために用いられる。 0.82
𝑑𝑘,𝑔 In the next step, a linear regression is used to compute the adjusted performance of each governor based on their population average performance and votes. 𝑑𝑘,𝑔 次のステップでは、人口平均のパフォーマンスと票に基づいて各知事の調整された性能を計算するために線形回帰が使用される。 0.79
Given 𝐼𝑎𝑣𝑔 and actual performance of each governor we calculate the predicted performance, Ppredicted as follows: 各知事のIavgと実際のパフォーマンスを考えると、予測されたパフォーマンスを計算します。 0.62
𝑃𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑 = 𝛽0 + 𝛽1 × 𝐼𝑎𝑣𝑔 + 𝜀𝑖 𝑃𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑 = 𝛽0 + 𝛽1 × 𝐼𝑎𝑣𝑔 + 𝜀𝑖 0.98
(15) where 𝜀𝑖 is the residual error whose distribution is N(0, σ), and b0 and b1 are calculated as follows: (15) ここで εi は分布が N(0, σ) であり、b0 と b1 が次のように計算される残差誤差である。 0.81
𝑏1 = ∑(𝐼𝑎𝑣𝑔 − 𝐼𝑎𝑣𝑔̅̅̅̅̅) × (𝑃𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 ̅̅̅̅̅̅̅̅̅) 𝑏1 = ∑(𝐼𝑎𝑣𝑔 − 𝐼𝑎𝑣𝑔̅̅̅̅̅) × (𝑃𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 ̅̅̅̅̅̅̅̅̅) 0.84
2 ∑(𝐼𝑎𝑣𝑔 − 𝐼𝑎𝑣𝑔̅̅̅̅̅) 2 ∑(𝐼𝑎𝑣𝑔 − 𝐼𝑎𝑣𝑔̅̅̅̅̅) 0.74
𝑏0 = 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 𝑏0 = 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 0.94
̅̅̅̅̅̅̅̅̅ − 𝑏1 × 𝐼𝑎𝑣𝑔̅̅̅̅̅ ̅̅̅̅̅̅̅̅̅ − 𝑏1 × 𝐼𝑎𝑣𝑔̅̅̅̅̅ 0.99
The adjusted performance, Padjusted is calculated using the following formula: 調整された性能は、次の式を用いて算出される。 0.64
where 𝑃𝑎𝑑𝑗𝑢𝑠𝑡𝑒𝑑 = 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 + [𝜂 × ∆𝑃] どこに 𝑃𝑎𝑑𝑗𝑢𝑠𝑡𝑒𝑑 = 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 + [𝜂 × ∆𝑃] 0.80
∆𝑃 = 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑃𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑 ∆𝑃 = 𝑃𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑃𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑 0.99
𝜂 = 1 𝑛 × 𝑠𝑗 𝑛 𝑖=1 𝜂 = 1 𝑛 × 𝑠𝑗 𝑛 𝑖=1 0.83
∑ 𝑠𝑖 (16) (17) ∑ 𝑠𝑖 (16) (17) 0.85
(18) (19) (20) (18) (19) (20) 0.85
英語(論文から抽出)日本語訳スコア
In (20), n is the number of governors, and 𝑠𝑗 is the population size of the jth governor. 20)では、nは知事の数、sjは第j知事の人口規模である。
訳抜け防止モード: 20)において、nは知事の数である。 sjは第J代知事の人口規模です
0.57
2.9 Genetic Operators: Recombination and Mutation 2.9 遺伝子操作者:組換えと変異 0.70
Finally, the genetic operators are used to generate offspring based on the initial population. 最後に、遺伝子操作者は、初期個体群に基づいて子孫を生成するために使用される。 0.63
To maintain genetic diversity, recombination and then mutation is applied to the existing solutions. 遺伝的多様性を維持するために、組換えと突然変異が既存の溶液に適用される。 0.63
Selection, crossover, and mutation are the three operators used in the Epistocracy algorithm. 選択、交叉、突然変異はエピストクラシーアルゴリズムで使用される3つの演算子である。 0.73
The crossover operator uses the tournament method to choose the best parents among the sampled candidates. クロスオーバオペレータはトーナメントメソッドを使用して、サンプルされた候補の中から最良の親を選択する。
訳抜け防止モード: クロスオーバオペレーターはトーナメント方法を使用します サンプル候補の中から 最高の親を選ぶこと。
0.74
Their chromosomes are split at randomly picked points between 1 and the chromosome size - 1. 染色体はランダムに選抜された1点と染色体サイズ1で分裂する。 0.74
The chromosome of each of the two new offspring is made of the genes from the opposite side of the split point of each of the two parents. 2つの新しい子孫のそれぞれの染色体は、2つの親のそれぞれの分裂点の反対側から遺伝子で作られています。 0.90
A percentage of the new individuals are then mutated. 新しい個体の割合はその後変異される。 0.71
Once a chromosome is selected to be mutated one of its genes is selected at random. 染色体が選択されると、その遺伝子の1つがランダムに選択される。 0.79
This gene will be replaced with a random number between the upper and lower bounds. この遺伝子は、上端と下端の間の乱数に置き換えられます。 0.68
The chromosome is then validated to ensure all genes are within the bounds. 染色体は、すべての遺伝子が境界内にあることを保証するために検証される。 0.59
If a gene is not within the bounds it will be set to the closest bound. ある遺伝子が境界内にない場合、その遺伝子は最も近い境界に設定される。 0.66
3 Experimental Results and Analysis 3.1 Evaluation of Epistocracy Algorithm Using Benchmark Functions 3 実験結果と解析 3.1 ベンチマーク関数を用いたエピスクラシーアルゴリズムの評価 0.79
To test the performance of our proposed algorithm, we have used several multimodal benchmark functions (i.e. 提案アルゴリズムの性能をテストするために,複数のマルチモーダルベンチマーク関数(例えば,ベンチマーク関数)を用いた。 0.66
Eggholder, Rastrigin, Schaffer-4, CrossInTray, Griewank) with a large number of local optima from the global optimization literature. Eggholder, Rastrigin, Schaffer-4, CrossInTray, Griewank) は,グローバル最適化の文献から,多数のローカルオプティマを持つ。 0.84
We have also used 5 state-of-the-art evolutionary algorithms to compare the consistency and reliability of the Epistocracy algorithm using these benchmark functions. また、5つの最先端進化アルゴリズムを用いて、これらのベンチマーク関数を用いてエピストクラシーアルゴリズムの一貫性と信頼性を比較した。 0.65
In order to make a fair comparison between Epistocracy and other state-of-the-art algorithms, we have selected a set of optimization problems, and tested each algorithm with a population size of 100, for 100 runs and 100 iterations in each run. エピストクラシーと他の最先端アルゴリズムを公平に比較するために,我々は最適化問題の集合を選定し,各アルゴリズムを100の集団サイズでテストし,100回の実行と100回のイテレーションでテストした。 0.86
The results of comparison among Epistocracy, Genetic Algorithm, Evolutionary Strategies, Artificial Bee Colony, Cuckoo Search, and Particle Swarm Optimization on different functions are given in Table 1, where “Mean” indicates the average fitness obtained from 100 runs and “Std.” is the standard deviation. The results of Comparison between Epistocracy, Genetic Algorithm, Evolutionary Strategies, Artificial Bee Colony, Cuckoo Search, and Particle Swarm Optimization on different function were given in Table 1, where “Mean” indicate the average fitness obtained from 100 run and “Std.” is the standard deviation。 0.84
“Min” and “Max” are the best and worst fitness values, found throughout 100 runs, respectively. Min” と “Max” は、それぞれ100回のランで見つかった、最高の、最悪のフィットネス値だ。 0.82
As shown in Table 1, the Epistocracy algorithm demonstrates higher reliability and consistency compared to other algorithms due to lower variation and dispersion in the outcome of the objective function. 表1に示すように、エピストクラシーアルゴリズムは、目的関数の結果のばらつきや分散が低いため、他のアルゴリズムと比較して高い信頼性と一貫性を示す。 0.83
英語(論文から抽出)日本語訳スコア
Table 1. Comparison of the benchmark functions. 表1。 ベンチマーク関数の比較。 0.69
Function Eggholder 2D 機能 Eggholder 2D 0.84
Rastrigin 5D Rastrigin 5D 0.88
Schaffer-4 2D Schaffer-4 2D 0.59
CrossInTray 2D CrossInTray 2D 0.88
Griewank 2D Griewank 2D 0.88
Griewank 5D Griewank 5D 0.88
Min Max Mean Std. Min Max Mean Std。 0.79
Min Max Mean Std. Min Max Mean Std。 0.79
Min Max Mean Std. Min Max Mean Std。 0.79
Min Max Mean Std. Min Max Mean Std。 0.79
Min Max Mean Std. Min Max Mean Std。 0.79
Min Max Mean Std. Min Max Mean Std。 0.79
Epistocracy GA エピストクラシーGA 0.47
ES ABC CSA ES ABC CSA 0.85
PSO -959.6407 -957.7592 -959.5399 0.4198 PSO -959.6407 -957.7592 -959.5399 0.4198 0.61
-959.6407 -894.4704 -938.0387 16.6918 -959.6407 -894.4704 -938.0387 16.6918 0.37
-959.6407 -893.6453 -946.7461 22.8390 -959.6407 -893.6453 -946.7461 22.8390 0.37
-959.6407 -951.0668 -958.8248 1.9929 -959.6407 -951.0668 -958.8248 1.9929 0.37
-959.6407 -753.0372 -917.5035 48.1905 -959.6407 -753.0372 -917.5035 48.1905 0.37
7.1054E-15 7.8160E-14 2.7001E-14 1.5046E-14 7.1054E-15 7.8160E-14 2.7001E-14 1.5046E-14 0.24
0.2926 0.2926 0.2926 8.0929E-09 0.2926 0.2926 0.2926 8.0929E-09 0.37
0.7325 7.0667 3.2081 1.6610 0.7325 7.0667 3.2081 1.6610 0.45
0.2926 0.3067 0.2965 0.0035 0.2926 0.3067 0.2965 0.0035 0.45
4.1369 11.5452 8.5620 1.9900 4.1369 11.5452 8.5620 1.9900 0.45
1.5228E-05 0.0033 0.0012 0.0009 1.5228E-05 0.0033 0.0012 0.0009 0.37
0.8285 5.6601 2.5568 1.1924 0.8285 5.6601 2.5568 1.1924 0.45
0.2926 0.2956 0.2937 0.0009 0.2926 0.2956 0.2937 0.0009 0.45
0.2926 0.2929 0.2927 0.0001 0.2926 0.2929 0.2927 0.0001 0.45
0.2926 0.3037 0.2957 0.0036 0.2926 0.3037 0.2957 0.0036 0.45
-2.0626 -2.0626 -2.0626 9.1125E-16 -2.0626-2.0626-2.062 69.1125E-16 0.32
-2.0626 -2.0620 -2.0625 0.0002 -2.0626 -2.0620 -2.0625 0.0002 0.37
-2.0626 -2.0623 -2.0625 7.5410E-05 -2.0626-2.0623-2.062 5 7.5410E-05 0.31
-2.0626 -2.0626 -2.0626 8.7118E-09 -2.0626-2.0626-2.062 68.7118E-09 0.32
-2.0626 -2.0626 -2.0626 4.2811E-08 -2.0626-2.0626-2.062 64.2811E-08 0.32
0.0000 0.0101 0.0050 0.0037 0.0000 0.0101 0.0050 0.0037 0.45
4.9108E-11 0.0862 0.0398 0.0190 4.9108E-110.0862 0.0398 0.0190 0.39
0.0082 0.1353 0.0561 0.0317 0.0082 0.1353 0.0561 0.0317 0.45
0.2869 1.0702 0.7734 0.2264 0.2869 1.0702 0.7734 0.2264 0.45
0.0133 0.1556 0.0728 0.0399 0.0133 0.1556 0.0728 0.0399 0.45
0.3320 1.4168 1.0838 0.2701 0.3320 1.4168 1.0838 0.2701 0.45
2.6017E-07 0.0123 0.0036 0.0046 2.6017E-07 0.0123 0.0036 0.0046 0.37
5.1834E-09 0.1320 0.0374 0.0370 5.1834E-09 0.1320 0.0374 0.0370 0.37
9.1378E-06 0.0639 0.0309 0.0188 9.1378E-06 0.0639 0.0309 0.0188 0.37
0.0652 0.5257 0.2215 0.1217 0.0652 0.5257 0.2215 0.1217 0.45
-959.6407 -786.5260 -927.3717 49.8634 -959.6407 -786.5260 -927.3717 49.8634 0.37
1.9903 14.9245 6.4700 3.1550 1.9903 14.9245 6.4700 3.1550 0.45
0.2926 0.2926 0.2926 1.4528E-07 0.2926 0.2926 0.4528E-07 0.44
-2.0626 -2.0626 -2.0626 9.1125E-16 -2.0626-2.0626-2.062 69.1125E-16 0.32
0.0000 0.0099 0.0035 0.0039 0.0000 0.0099 0.0035 0.0039 0.45
0.0246 0.2463 0.1184 0.0609 0.0246 0.2463 0.1184 0.0609 0.45
As illustrated in Fig. 3, The absence of outliers and smaller standard deviation represented by a tinier boxplot are the most significant advantages of the Epistocracy algorithm. 図に示すように。 3 より小さなボックスプロットで表される外れ値や標準偏差が欠如していることは、エピストクラシーアルゴリズムの最も重要な利点である。 0.75
According to the test results of Rastrigin 5D, Epistocracy obtained the smallest standard deviation and produced better mean than other algorithms. Rastrigin 5Dのテスト結果によると、エピストクラシーは最小の標準偏差を取得し、他のアルゴリズムよりも平均値が向上した。 0.60
This is a proof that the Epistocracy algorithm can effectively avoid being trapped in local minima in a complex, multimodal environment. これは、エピストクラシーアルゴリズムが複雑なマルチモーダル環境でローカルミニマに閉じ込められないように効果的に回避できることの証明です。 0.75
This also shows that our algorithm is scalable and has a clear advantage over other evolutionary algorithms tested in this problem. これはまた、私たちのアルゴリズムがスケーラブルであり、この問題でテストされた他の進化的アルゴリズムよりも明確な利点があることを示しています。
訳抜け防止モード: これはまた 我々のアルゴリズムはスケーラブルで この問題でテストされた他の進化的アルゴリズムに対して 明らかな優位性があります
0.75
For Schaffer-4 2D, Epistocracy algorithm shows a higher reliability than other algorithms by producing results within a narrower range depicted in its corresponding boxplot. Schaffer-4 2Dでは、エピストクラシーアルゴリズムは、対応するボックスプロットで表されるより狭い範囲で結果を生成することで、他のアルゴリズムよりも高い信頼性を示す。 0.62
With CrossInTray 2D, the Epistocracy algorithm still is either doing better than other algorithms such as GA, and ES, or performing the same as PSO. CrossInTray 2Dでは、エピストクラシーアルゴリズムは依然としてGAやESなどの他のアルゴリズムよりも優れているか、PSOと同じ動作をしている。 0.72
However, overall, the Epistocracy algorithm has a better consistency and reliability than PSO, and similar algorithms. しかし、全体として、エピストクラシーアルゴリズムはPSOや同様のアルゴリズムよりも一貫性と信頼性が優れています。 0.66
Among all other algorithms, for Griewank 2D, the Epistocracy algorithm has produced a narrower range of optimal solutions which is represented by its tiny boxplot. 他のアルゴリズムの中で、Greewank 2Dでは、エピストクラシーアルゴリズムは、その小さなボックスプロットで表される、より狭い範囲の最適なソリューションを生成しました。 0.66
For Griewank 5D, the Epistocracy algorithm, again, Griewank 5Dの場合、エピストクラシーアルゴリズムは再び。 0.67
英語(論文から抽出)日本語訳スコア
shows a better result than other algorithms, and reconfirms the reliability and consistency of the algorithm working in different environments with different characteristics. 他のアルゴリズムよりも優れた結果を示し、異なる特性を持つ異なる環境で動作するアルゴリズムの信頼性と一貫性を再確認する。 0.84
Fig. 3. Box and Whisker Plot of Fitness Scores for different benchmark functions. フィギュア。 3. 異なるベンチマーク機能のためのフィットネススコアのボックスとウィスカープロット。 0.66
These preliminary results also show that the Epistocracy algorithm is more reliable with functions that contain multiple minima. これらの予備的な結果は、エピストクラシーアルゴリズムが複数のミニマを含む関数よりも信頼性が高いことも示している。
訳抜け防止モード: これらの予備的な結果は エピスクラシーアルゴリズムは、複数のミニマを含む関数により信頼性が高い。
0.67
From the robustness aspect, the Epistocracy algorithm is more robust with respect to the existence of multiple minima. 堅牢性の観点から、エピストクラシーアルゴリズムは複数のミニマの存在に関してより堅牢である。 0.62
For large scale search space, the Epistocracy algorithm performs more efficiently than other algorithms. 大規模検索空間では、エピストクラシーアルゴリズムは他のアルゴリズムよりも効率的に処理する。 0.81
In terms of convergence, the Epistocracy algorithm showed a decent rate of convergence compared to other algorithms. 収束の点では、エピストクラシーアルゴリズムは他のアルゴリズムと比較してまともな収束率を示した。 0.79
英語(論文から抽出)日本語訳スコア
3.2 Evaluation of Epistocracy Algorithm Using the MNIST Dataset 3.2 mnistデータセットを用いたエピスクラシーアルゴリズムの評価 0.74
To further evaluate the performance of our method, we tasked the Epistocracy algorithm to find the optimal set of hyper-parameters to build the best CNN model for “MNIST” handwritten digit recognition. 提案手法の性能を評価するため,我々は,MNIST手書き文字認識のための最適なCNNモデルを構築するために,エピストクラシーアルゴリズムを用いてハイパーパラメータの最適セットを求める。 0.82
The MNIST dataset is a set of hand-written digit images ranging from 0-9. MNISTデータセットは、0から9までの手書きの数字画像のセットです。 0.73
This dataset contains size-normalized, gray-scale examples of digits written by 500 writers that were centered in a 28x28 image and associated with a label from 10 classes. このデータセットには、28x28イメージを中心に、10クラスのラベルに関連付けられた500人のライターによって書かれた数字のサイズ正規化、グレースケールの例が含まれています。 0.60
MNIST consists of a training set of 60,000 examples, and a test set of 10,000 examples and was constructed from NIST's (the US National Institute of Standards and Technology) Special Database 3 and Special Database 1 which contain binary images. MNISTは、60,000例のトレーニングセットと10,000例のテストセットで構成され、NISTの(米国国立標準技術研究所)特別データベース3とバイナリ画像を含む特別データベース1から構築されました。 0.83
Each feature vector (row in the feature matrix) consists of 784 pixels (intensities) flattened from the original 28x28 pixels images. 各特徴ベクトル(特徴行列の行)は、元の28x28ピクセル画像からフラット化された784ピクセル(強度)から構成される。 0.75
The end goal is to classify the handwritten digits based on a 28x28 black and white image. 最終目標は、28x28の黒と白の画像に基づいて手書きの数字を分類することです。 0.71
MNIST dataset is commonly used for training classification algorithms and benchmarking purpose. MNISTデータセットは、分類アルゴリズムとベンチマークの目的のトレーニングに一般的に使用される。 0.59
Optimization of Hyper-parameters. ハイパーパラメータの最適化 0.84
The problem of finding the optimal value for hyper-parameter λ is called hyper-parameter optimization. ハイパーパラメータλの最適値を見つける問題はハイパーパラメータ最適化と呼ばれる。 0.84
The main technique for finding such a value is to choose a value 𝜆𝑖 from the trial set {𝜆1, 𝜆2, … , 𝜆𝑛}, to evaluate the response function Ψ(𝜆) for each one, and return the 𝜆𝑖 that worked the best as 𝜆̂. そのような値を見つけるための主な手法は、試行集合 {λ1, λ2, ..., λn} から値 λi を選択し、各値に対する応答関数 λ(λ) を評価し、λi を λ として最もよく働く λi を返すことである。 0.90
The optimization of hyper-parameters can be expressed as follow: ハイパーパラメータの最適化は次のように表現できる。 0.75
𝜆̂ ≈ argmin argmin (複数形 argmins) 0.36
𝜆∈Λ 𝔼~𝒢𝑥 [ℒ (𝑥; 𝒜𝜆(𝑋𝑡𝑟𝑎𝑖𝑛))] ≡ argmin 𝜆∈Λ 𝔼~𝒢𝑥 [ℒ (𝑥; 𝒜𝜆(𝑋𝑡𝑟𝑎𝑖𝑛))] ≡ argmin 0.69
Ψ(𝜆) 𝜆∈Λ (21) Ψ(𝜆) 𝜆∈Λ (21) 0.76
In the above formula, λ is the hyper-parameter that should be selected in a way that the generalization error (loss function) 𝔼~𝒢𝑥 [ℒ (𝑥; 𝒜𝜆(𝑋𝑡𝑟𝑎𝑖𝑛))] minimized. 上記の式において、λ は一般化誤差 (loss function) e~gx [l (x; aλ(xtrain))] が最小化された方法で選択されるべき超パラメータである。 0.82
𝒜 is the learning algorithm that maps the training dataset 𝑋𝑡𝑟𝑎𝑖𝑛 from a natural distribution 𝒢𝑥 to the function f, 𝑓 = 𝒜𝜆(𝑋𝑡𝑟𝑎𝑖𝑛) The hyper-parameter optimization can be denoted as the minimization of the response function Ψ(𝜆) over 𝜆 ∈ Λ where Λ is the search space. a は、自然分布 gx から関数 f へのトレーニングデータセット xtrain を写像する学習アルゴリズムであり、f = aλ(xtrain) ハイパーパラメータ最適化は、λ が探索空間である λ ∈ λ 上の応答関数 ψ(λ) の最小化として表すことができる。 0.90
MNIST CNNs as a Proof of Concept. 概念実証としてのMNIST CNN。 0.86
Epistocracy as a multivariate optimization algorithm can be adapted for use in the automated discovery of CNN architectures, however, its effectiveness in doing so would be difficult to test. 多変量最適化アルゴリズムとしてのエピストクラシーは、cnnアーキテクチャの自動発見に応用できるが、それを行うための効果はテストが難しい。 0.64
A regular multivariate optimization problem might have a known minimum or maximum while the accuracy of a CNN does not. 正規の多変量最適化問題は既知の最小値または最大値を持つが、cnnの精度は低い。 0.67
In addition, the exact answer of most problems can be obtained through mathematical proof or exhaustive search. さらに、ほとんどの問題の正確な答えは、数学的証明や徹底的な探索によって得られる。 0.70
A full exhaustive search, however, is both time-consuming and computationally expensive, and there is no way to know what the best possible architecture of a model is. しかし、完全な徹底的な検索は、時間と計算コストの両方がかかり、モデルの最高のアーキテクチャが何であるかを知る方法はありません。 0.74
The solution to this problem is to create a finite set of architectures and task Epistocracy with finding the best architecture in that set. この問題に対する解決策は、有限のアーキテクチャセットとタスクエピストクラシーを作成し、そのセットで最高のアーキテクチャを見つけることである。 0.71
For this purpose, a set of 480 この目的のために 480のセットは 0.81
英語(論文から抽出)日本語訳スコア
unique models were generated, using all possible values of the hyper-parameters shown in Table 2. 表2に示すハイパーパラメータのすべての可能な値を使用して、ユニークなモデルが生成される。 0.69
Every permutation of these hyper-parameters was used to create a distinct model. これらのハイパーパラメータの全ての置換は、異なるモデルを作成するために使われた。 0.53
More hyper-parameters were not used since each model takes a considerable amount of time to train and test. 各モデルがトレーニングとテストにかなりの時間を要するため、ハイパーパラメータは使用されなかった。 0.76
Adding more options would make the amount of time needed to create all permutations of models unreasonable, and we must know the accuracy of all permutations in order to use MNIST as a proof of concept. より多くのオプションを追加することで、モデルのすべての置換を生成するのに必要な時間が増え、MNISTを概念実証として使用するためには、すべての置換の正確さを知る必要がある。 0.63
Table 2. Hyper-parameters and values used in an exhaustive search. 表2。 徹底探索に使用されるハイパーパラメータと値。 0.75
Hyper-parameter Filter Number Filter Size Neuron Size Dropout Rate ハイパーパラメータフィルタ番号フィルタサイズ ニューロンサイズ ドロップアウト率。 0.68
Values Used 12, 16, 20, 24, 28, 32 3, 4, 5, 6, 7 50, 100, 150, 200 0.1, 0.2, 0.3, 0.4 Values Used 12, 16, 20, 24, 28, 32 3, 4, 5, 6, 7 50, 100, 150, 200 0.1, 0.2, 0.3, 0.4 0.97
Creating CNNs for MNIST. MNIST用のCNNの作成。 0.69
The first step to making the 480 different architectures is to create every possible set of hyper-parameters. 480の異なるアーキテクチャを作る最初のステップは、可能なすべてのハイパーパラメータを作成することです。 0.72
Each set is a unique set of hyperparameters for a single model. 各集合は単一のモデルに対する一意なハイパーパラメータの集合である。 0.71
Given a set of hyper-parameters, a 16-layer equivalent CNN model is created in Keras using Google’s sample code to train an “MNIST” handwritten digit recognition model. ハイパーパラメータのセットが与えられた場合、Googleのサンプルコードを使用して16層相当のCNNモデルがKerasで作成され、“MNIST”手書き文字認識モデルをトレーニングする。 0.73
Table 3. Best combination of hyper-parameters. 表3。 ハイパーパラメータのベストコンビネーション。 0.72
Hyper-parameter Filter Number Filter Size Dropout Rate Neuron Size 超パラメータフィルタ数フィルタサイズドロップアウト速度ニューロンサイズ 0.70
Value 28 6 3 50 価値 28 6 3 50 0.78
Once all 16 layers are created, the model is compiled with the “Adam” optimizer and “Categorical Cross-Entropy” loss function. 16のレイヤがすべて作成されると、モデルは“Adam”オプティマイザと“Categorical Cross-Entropy”ロス関数でコンパイルされる。 0.71
The model is then trained with all 60,000 images in the MNIST training dataset. モデルは、MNISTトレーニングデータセット内の6万の画像すべてでトレーニングされる。 0.72
Each model was tested on the MNIST test set which consists of 10,000 images. 各モデルは、10,000画像からなるMNISTテストセットでテストされました。 0.76
After evaluating all 480 architectures the best combination of hyper-parameters was identified (see Table 3). 480アーキテクチャを評価した後、ハイパーパラメータの最良の組み合わせが同定された(表3参照)。 0.67
The accuracy of this model was 99.51%. このモデルの精度は99.51%だった。 0.73
Epistocracy was then used to search and find the same optimal set of hyperparameters shown in Table 3. エピストクラシーは、表3に示すのと同じ最適なハイパーパラメータのセットを検索し、見つけるために使われました。
訳抜け防止モード: エピスクラシーは 表3に示すように、同じ最適なハイパーパラメータ群を探索して探索する。
0.66
Epistocracy found the best answer 33% of the time. エピストクラシーは、当時の最良の答えを33%見つけました。 0.50
Of the 33% of runs which it found the best answer the answer was on average found around iteration 6. 最良の答えを見つけた33%のうち、回答は平均してイテレーション6あたりにあった。 0.63
The mean accuracy of the best Governor was 99.48%. 最高知事の平均精度は99.48%だった。 0.69
The configuration of the Epistocracy algorithm was as follows: エピスクラシーアルゴリズムの構成は次のとおりである。 0.67
英語(論文から抽出)日本語訳スコア
• • • • • • • • • • 0.85
Council rate: 10% Crossover Rate: 50% Mutation Rate: 20% Tournament size: 5 Population size: 20 カウンシルレート: 10% クロスオーバー率: 50% 変異率: 20% トーナメントサイズ: 5人 人口: 20人 0.80
To evaluate the performance and robustness of the Epistocracy algorithm, we compared our proposed algorithm with two state-of-the-art algorithms: Particle Swarm Optimization and Genetic Algorithm. エピストクラシーアルゴリズムの性能とロバスト性を評価するため,提案アルゴリズムを2つの最先端アルゴリズムであるParticle Swarm Optimizationと遺伝的アルゴリズムと比較した。 0.89
These algorithms were also tasked to find the best model’s hyper-parameters similar to Epistocracy. これらのアルゴリズムは、エピスクラシーに似た最良のモデルのハイパーパラメータを見つけるよう命令された。 0.62
The population, iterations, and number of runs the algorithm tested at are given below: テストされたアルゴリズムの実行人数、イテレーション数、実行回数は以下のとおりである。 0.78
• • • Population size: 20 Iterations: 100 Runs: 100 • • • 人口サイズ:20イテレーション:100ラン:100 0.76
Table 4. Comparison of GA, PSO, and Epistocracy algorithms using MNIST dataset. 表4。 MNISTデータセットを用いたGA, PSO, Epistocracyアルゴリズムの比較 0.76
MEAN ACCURACY OF TOP BEST PERFORMING GOVERNOR トップベスト動作ゴバナーの平均精度 0.54
PERCENTAGE OF TIMES THE BEST ANSWER WAS FOUND 最良の答えが見つかった確率は 0.33
AVERAGE ITERATIONS BEFORE FINDING THE BEST ANSWER 最良の答えを見つける前の平均的なイテレーション 0.39
NUMBER OF GA PSO 番号 のり GA PSO 0.70
EPISTOCRACY EPISTOCRACY 0.85
0.9948 0.9948 0.9948 0.9948 0.59
0.9948 26% 0.9948 26% 0.72
28% 33% 22.81 28% 33% 22.81 0.76
6.40 5.64 Particle Swarm Optimization. 6.40 5.64 粒子群最適化。 0.65
To compare how our algorithm performs against other algorithms, we used Particle Swarm Optimization (see Table 4). 他のアルゴリズムと比較するために、Particle Swarm Optimizationを使用しました(表4参照)。 0.73
The configuration of PSO was the same as Epistocracy. PSOの構成はエピストクラシーと同じであった。 0.75
The PSO mean accuracy was 99.48% and the best accuracy was found around the 7th iteration. PSOの平均精度は99.48%であり、最も高い精度は7回目頃に発見された。
訳抜け防止モード: PSOの平均精度は99.48%だった。 一番の精度は7回目くらいでした
0.65
The best accuracy was found 28 times out of 100 runs. 最高精度は100回中28回確認された。 0.69
Genetic Algorithm. 遺伝的アルゴリズム。 0.80
The other evolutionary algorithm tested was a genetic algorithm (see Table 4). もう1つの進化アルゴリズムは遺伝的アルゴリズムであった(表4参照)。 0.78
The algorithm is a standard genetic algorithm using crossover and mutation. このアルゴリズムは交叉と突然変異を用いた標準的な遺伝的アルゴリズムである。 0.67
The implementation found the best answer 26 times out of 100 runs. 実装では、100実行中26回のベスト回答が得られた。 0.68
The mean accuracy of the best Individual was 99.48% and the best accuracy was found around the 23rd iteration. ベストパーソナライズの平均精度は99.48%で、23回目のイテレーションで最も正確であることが判明した。 0.66
英語(論文から抽出)日本語訳スコア
Fig. 4. Performance comparison of GA, PSO, and Epistocracy. フィギュア。 4. GA, PSO, エピストクラシーのパフォーマンス比較 0.60
Fig. 4 shows that the Epistocracy algorithm initially has a higher accuracy than PSO and GA. After around 20 iterations, the Epistocracy algorithm asymptotically converges to the same fitness score of PSO, and eventually after about 92 iterations it defeats the PSO and shows higher accuracy. フィギュア。 The Epistocracy algorithm has a higher accuracy than PSO and GA. After around 20 iterations, the Epistocracy algorithm issymptotically to the same fitness score of PSO, and finally after 92 iterations that defeat the PSO and higher accuracy。 0.54
In this figure, the Epistocracy algorithm converges to the optimal solution faster than GA. この図では、エピストクラシーアルゴリズムは、GAよりも速く最適なソリューションに収束します。 0.69
However, even though PSO has a faster convergence rate of accuracy, it eventually fell behind Epistocracy. しかし、PSOは精度の収束速度が速いにもかかわらず、最終的にエピストクラシーの背後に落ちた。
訳抜け防止モード: しかし、それでも PSOは精度の収束速度が速い。 最終的にそれはエピストクラシーに遅れた。
0.65
Overall, the Epistocracy algorithm shows better performance than the other algorithms. 概して、エピスクラシーアルゴリズムは他のアルゴリズムよりも優れた性能を示す。 0.82
4 Conclusion and Future Work 4 結論と今後の課題 0.79
Evolutionary algorithms, in general, suffer from different types of problems such as premature convergence and stagnation which is closely related to the diversity of the population, curse of dimensionality and scalability, and a random, limited searching ability which usually occur in the absence of a guided change and due to unbalanced exploration-exploita tion capacities. 進化的アルゴリズムは一般に、集団の多様性と密接な関係にある早期収束や停滞、次元とスケーラビリティの呪い、そして通常ガイドされた変化がなく、不均衡な探索・探索能力によって生じるランダムで限定的な探索能力など、様々な種類の問題に苦しむ。 0.69
This paper proposes a new multi-population evolutionary algorithm called Epistocracy based on socio-political evolution. 本論文では,社会政治的進化に基づくエピストクラシーと呼ばれる新しいマルチ人口進化アルゴリズムを提案する。 0.60
In Epistocracy, there are two classes of population: governors and citizens. エピストクラシーには、知事と市民の2つの階級がある。 0.51
Citizens liberally follow governors to improve their performance through the exploration and exploitation of the search space. 市民は、探索空間の探索と搾取を通じてその性能を改善するために、自由に知事に従う。
訳抜け防止モード: 市民は自由に知事に従う 探索空間の探索と 利用を通じて 性能を向上させること。
0.72
Governors, on the other hand, attempt to lead their population effectively to help the algorithm converge to the optimal solution in the early stages. 一方、知事はアルゴリズムが早期に最適解に収束するのを助けるために、その人口を効果的に導くことを試みている。 0.66
Governors can be promoted or demoted based on their population performance and votes. 知事は人口パフォーマンスと投票に基づいて昇進または降格することができる。 0.70
Individuals with better performance have votes of greater weights. より良いパフォーマンスを持つ個人は、より大きな体重の票を持っています。 0.49
The Epistocracy algorithm was tested using several benchmark functions. エピスクラシーアルゴリズムはいくつかのベンチマーク関数を用いてテストされた。 0.53
The experimental results show that the Epistocracy algorithm can achieve superior results compared to other evolutionary and swarm-intelligence algorithms. 実験結果は、エピストクラシーアルゴリズムが他の進化および群知能アルゴリズムと比較して優れた結果を達成できることを示しています。 0.68
Our proposed method is less likely to be trapped in local optima compared to other methods such as 提案手法は,他の手法に比べて,局所最適に捕捉される可能性が低い。 0.79
英語(論文から抽出)日本語訳スコア
GA, PSO, ES, ABC, and CSA, and in some cases, can reach the optimal solution faster than existing algorithms. GA、PSO、ES、ABC、CSAは、場合によっては既存のアルゴリズムよりも高速に最適解に到達することができる。 0.69
The Epistocracy algorithm uses the idea of rebels, dynamic resource management, gravitational force, and population variance to conduct an efficient explorative and exploitative search. エピストクラシーアルゴリズムは、反逆者、動的資源管理、重力力、人口分散のアイデアを用いて、効率的な探索的かつ搾取的探索を行う。 0.76
For future works, a number of research directions can be envisioned. 今後の研究には、様々な研究の方向性が考えられます。 0.59
First, the exploration-exploita tion strategies can be enhanced to achieve a better convergence rate. 第一に、より優れた収束率を達成するために探索・探索戦略を強化することができる。 0.53
Second, a multi-objective version of the algorithm can be implemented. 第二に、アルゴリズムの多目的バージョンを実装することができる。 0.64
Third, a more comprehensive test set with high dimensionality can be utilized, and the results compared with more evolutionary and swarm intelligence algorithms. 第3に、高次元のより包括的なテストセットが利用でき、その結果はより進化的および群知能アルゴリズムと比較される。 0.74
Finally, the Epistocracy algorithm can be adapted for the discovery of optimal architectures of Convolutional Neural Networks and their hyper-parameters. 最後に、エピスクラシーアルゴリズムは畳み込みニューラルネットワークとそのハイパーパラメータの最適なアーキテクチャの発見に適応することができる。 0.78
References 1. F. Ong, P. Milanfar, and P. Getreuer, "Local kernels that approximate Bayesian regularization and proximal operators," IEEE Transactions on Image Processing, vol. 参考文献 1. F. Ong, P. Milanfar, P. Getreuer, "Local kernels that almost Bayesian regularization and proximal operator", IEEE Transactions on Image Processing, vol. 0.79
28, no. 6, pp. 28歳。 6, pp。 0.64
3007-3019, 2019. 3007-3019, 2019. 0.84
2. J. H. Holland, Adaptation in natural and artificial systems : an introductory analysis with applications to biology, control, and artificial intelligence. 2. J. H. Holland, Adaptation in natural and artificial systems: an introductory analysis with application to biological, control, and Artificial Intelligence 0.85
Ann Arbor: University of Michigan Press, 1975, pp. Ann Arbor: University of Michigan Press, 1975, pp。 0.83
viii, 183 p. viii, 183p。 0.74
3. J. H. Holland, "Genetic algorithms and the optimal allocation of trials," SIAM Journal on 3. J.H.ホランド, "ジェネティックアルゴリズムと試験の最適配置", SIAM Journal on 0.77
Computing, vol. コンピューター、Vol。 0.63
2, no. 2, pp. 2、いいえ。 2、p。 0.67
88-105, 1973. 88-105, 1973. 0.84
4. J. H. Holland, "Outline for a logical theory of adaptive systems," Journal of the ACM 4. J. H. Holland, "Outline for a logical theory of Adaptive systems" Journal of the ACM 0.87
(JACM), vol. 9, no. (JACM)。 9、いいえ。 0.61
3, pp. 297-314, 1962. 3、p。 297-314, 1962. 0.74
5. I. Rechenberg, Cybernetic Solution Path of an Experimental Problem: Kybernetische 5. I. Rechenberg, Cybernetic Solution Path of a Experimental Problem: Kybernetische 0.88
Lösungsansteuerung Einer Experiméntellen Forschungsaufgabe. Lösungsansteuerung Einer Experiméntellen Forschungsaufgabe。 0.76
RAE, 1965. 1965年、RAE。 0.79
6. H.-G. Beyer and H.-P. Schwefel, "Evolution strategies – A comprehensive introduction," doi: 6. H.-G. Beyer and H.-P. Schwefel, "Evolution Strategy – A comprehensive introduction, doi: 0.86
2002/03/01 2002/03/01 0.39
2002, 3-52, 2002, 3-52, 0.78
vol. no. pp. Vol. ダメよ pp. 0.69
Natural Computing, 10.1023/A:1015059928 466. 10.1023/A:1015059928 466。 0.54
1, 1, 7. H. P. Schwefel, "Kybernetische evolution als strategie der experimentellen forschung in 1, 1, 7. H. P. Schwefel, "Kybernetische evolution als strategie der experimentellen forschung" 0.88
der strömungstechnik. Dipl.-Ing," thesis, 1965. 技術系。 原著『Dip.-Ing』、1965年。 0.47
8. R. Eberhart and J. Kennedy, "Particle swarm optimization," in Proceedings of the IEEE 8. R. Eberhart and J. Kennedy, "Particle swarm optimization" in the Proceedings of the IEEE 0.90
international conference on neural networks, 1995, vol. ニューラルネットワークに関する国際会議 1995年、Vol. 0.70
4: Citeseer, pp. 4: citeseer, pp。 0.69
1942-1948. 1942-1948. 0.71
9. X. Pan, L. Xue, Y. Lu, and N. Sun, "Hybrid particle swarm optimization with simulated annealing," Multimedia Tools and Applications, vol. 9. X. Pan, L. Xue, Y. Lu, N. Sun, "Hybrid Particle swarm optimization with simulated annealing", Multimedia Tools and Applications, vol。 0.84
78, no. 21, pp. 29921-29936, 2019/11/01 2019, doi: 10.1007/s11042-018-6 602-4. 78だ 21、p。 29921-29936, 2019/11/01 2019, doi: 10.1007/s11042-018-6 602-4。 0.50
10. S. Wang, G. Liu, M. Gao, S. Cao, A. Guo, and J. Wang, "Heterogeneous comprehensive learning and dynamic multi-swarm particle swarm optimizer with two mutation operators," Information doi: https://doi.org/10.1 016/j.ins.2020.06.02 7. 10. S. Wang, G. Liu, M. Gao, S. Cao, A. Guo, J. Wang, "heterogeneous comprehensive learning and dynamic multi-swarm particle swarm optimizationr with two mutation operator", Information doi: https://doi.org/10.1 016/j.ins.2020.06.02 7. 0.80
2020/11/01/ 2020/11/01/ 0.34
Sciences, 175-201, 科学 175-201, 0.56
2020, 540, 2020, 540, 0.85
vol. pp. 11. Vol. pp. 11. 0.79
A. Ratnaweera, S. K. Halgamuge, and H. C. Watson, "Self-organizing hierarchical particle swarm optimizer with time-varying acceleration coefficients," IEEE Transactions on evolutionary computation, vol. A. Ratnaweera, S. K. Halgamuge, and H. C. Watson, "Self-organizing Hierarchical Particle Swarm Optimizationr with time-variant acceleration coefficients", IEEE Transactions on Evolution calculation, vol。 0.87
8, no. 3, pp. 8、いいえ。 3、p。 0.69
240-255, 2004. 240-255, 2004. 0.84
12. P. N. Suganthan, "Particle swarm optimiser with neighbourhood operator," in Proceedings of the 1999 Congress on Evolutionary Computation-CEC99 (Cat. 12. P. N. Suganthan, "Particle swarm optimiser with neighborhood operator" in Proceedings on the Congress on Evolutionary Computation-CEC99 (Cat) 0.85
No. 99TH8406), 1999, vol. いいえ。 99TH8406), 1999年, vol。 0.81
3: IEEE, pp. 3:IEEE, pp。 0.63
1958-1962. 1958-1962. 0.71
英語(論文から抽出)日本語訳スコア
13. S. Kumar, A. Nayyar, and R. Kumari, "Arrhenius artificial bee colony algorithm," in International conference on innovative computing and communications, 2019: Springer, pp. 13. S. Kumar, A. Nayyar, R. Kumari, "Arrhenius artificial bee colony algorithm" in International conference on innovative computing and communication, 2019: Springer, pp。 0.85
187-195. 14. 187-195. 14. 0.78
D. Karaboga, "An idea based on honeybee swarm for numerical optimization," Technical D.カラボガ「数値最適化のためのミツバチ群集に基づくアイデア」技術 0.66
report-tr06, Erciyes university, engineering faculty, computer …, 2005. report-tr06, Erciyes University, Engineering Professor, computer ..., 2005. 0.94
15. D. Bajer and B. Zorić, "An effective refined artificial bee colony algorithm for numerical optimisation," Information Sciences, vol. 15. D. Bajer と B. Zorić, “A effective refined artificial bee colony algorithm for numerical optimization”, Information Sciences, Vol. 0.86
504, pp. 221-275, 2019/12/01/ 2019, doi: https://doi.org/10.1 016/j.ins.2019.07.02 2. 504, pp。 221-275, 2019/12/01/ 2019, doi: https://doi.org/10.1 016/j.ins.2019.07.02 2 0.59
16. S. Xiao, W. Wang, H. Wang, and X. Zhou, "A New Artificial Bee Colony Based on Multiple Search Strategies and Dimension Selection," IEEE Access, vol. 16. S. Xiao, W. Wang, H. Wang, X. Zhou, "A New Artificial Bee Colony based on multiple search Strategies and Dimension Selection", IEEE Access, vol. 0.87
7, pp. 133982133995, 2019, doi: 10.1109/ACCESS.2019. 2941247. 7, pp。 133982133995, 2019, doi: 10.1109/ACCESS.2019. 2941247 0.72
17. X.-S. Yang and S. Deb, "Cuckoo search via Lévy flights," in 2009 World congress on 17. X.-S. Yang and S. Deb, "Cuckoo search via Lévy flights" in 2009 World Congress on 0.91
nature & biologically inspired computing (NaBIC), 2009: IEEE, pp. nature & biologically inspired computing (NaBIC, 2009: IEEE, pp。 0.76
210-214. 18. 210-214. 18. 0.78
M. Mareli and B. Twala, "An adaptive Cuckoo search algorithm for optimisation," Applied Computing and Informatics, vol. M. Mareli and B. Twala, "An Adaptive Cuckoo search algorithm for Optimisation", Applied Computing and Informatics, vol。 0.85
14, no. 2, pp. 107-115, 2018/07/01/ 2018, doi: https://doi.org/10.1 016/j.aci.2017.09.00 1. 14だ 2、p。 107-115, 2018/07/01/ 2018 doi: https://doi.org/10.1 016/j.aci.2017.09.00 1 0.46
19. J. Li, Y.-x. 19. J. Li, Y.-x。 0.81
Li, S.-s. Tian, and J.-l. Xia, "An improved cuckoo search algorithm with self- Li, S.-s. Tian, J.-l. Xia, "自己を含む改善されたカッコウ検索アルゴリズム- 0.68
adaptive knowledge learning," Neural Computing and Applications, pp. 適応的知識学習」 ニューラルコンピューティングと応用, pp。 0.70
1-31, 2019. 1-31, 2019. 0.84
20. H. Li, D. Yuan, X. Ma, D. Cui, and L. Cao, "Genetic algorithm for the optimization of features and neural networks in ECG signals classification," ; Scientific reports, vol. 20. H. Li, D. Yuan, X. Ma, D. Cui, L. Cao, “ECG信号分類における特徴とニューラルネットワークの最適化のためのジェネティックアルゴリズム”, Scientific Report, vol。 0.88
7, p. 41011, 2017. 7、p.41011、2017。 0.78
21. W. Xi, G. Li, H. Moayedi, and H. Nguyen, "A particle-based optimization of artificial neural network for earthquake-induced landslide assessment in Ludian county, China," Geomatics, Natural Hazards and Risk, vol. 21. W. Xi, G. Li, H. Moayedi, H. Nguyen, “A Particle-based optimization of Artificial Neural Network for earthquake-induced Landlide Assessment in Ludian County, China, Geomatics, Natural Hazards and Risk, vol.”。 0.90
10, no. 1, pp. 10、いいえ。 1、p。 0.70
1750-1771, 2019. 1750-1771, 2019. 0.84
22. T. S. Kim, J. C. Na, and K. J. Kim, "Optimization of an autonomous car controller using a self-adaptive evolutionary strategy," International Journal of Advanced Robotic Systems, vol. 22. T.S. Kim, J. C. Na, K. J. Kim, “Optimization of a autonomous car controller using a self-adaptive evolution strategy”. International Journal of Advanced Robotic Systems, Vol. 0.90
9, no. 3, p. 73, 2012. 9、いいえ。 3, p. 73, 2012。 0.80
23. M. Prakash, R. Saranya, K. R. Jothi, and A. Vigneshwaran, "An optimal job scheduling in grid using cuckoo algorithm," International Journal of Computer Science and Telecommunications, vol. 23. M. Prakash, R. Saranya, K. R. Jothi, A. Vigneshwaran, “A optimal job schedule in grid using cuckoo algorithm”. International Journal of Computer Science and Telecommunications, vol. 0.89
3, no. 2, pp. 3、いいえ。 2、p。 0.68
65-69, 2012. 65-69, 2012. 0.84
24. W.-C. Yeh, J. C. Su, T.-J. 24. W.C. Yeh, J.C. Su, T.-J 0.77
Hsieh, M. Chih, and S.-L. Liu, "Approximate reliability function based on wavelet latin hypercube sampling and bee recurrent neural network," IEEE Transactions on Reliability, vol. Hsieh、M. Chih、S.-L. Liuは「ウェーブレットラチンハイパーキューブサンプリングと蜂の再発ニューラルネットワークに基づく近似信頼性関数」とIEEE Transactions on Reliability, vol。
訳抜け防止モード: Hsieh, M. Chih, S.-L. Liu, "Wavelet latin hypercube sampleとbee recurrent neural networkに基づく近似信頼性関数" IEEE Transactions on Reliability , vol。
0.82
60, no. 2, pp. 404-414, 2011. 60だ 2、p。 404-414, 2011. 0.63
25. R. C. Contreras, O. M. Junior, and M. S. Viana, "A New Local Search Adaptive Genetic Algorithm for the Pseudo-Coloring Problem," in International Conference on Swarm Intelligence, 2020: Springer, pp. 25. R. C. Contreras, O. M. Junior, and M. S. Viana, "A New Local Search Adaptive Genetic Algorithm for the Pseudo-Coloring Problem" in International Conference on Swarm Intelligence, 2020: Springer, pp. 0.92
349-361. 26. 349-361. 26. 0.78
S. Rahmani and N. Amjady, "Non-deterministic optimal power flow considering the uncertainties of wind power and load demand by multi-objective information gap decision theory and directed search domain method," IET Renewable Power Generation, vol. S. Rahmani と N. Amjady は「多目的情報ギャップ決定理論と有向探索領域法による風力・負荷需要の不確実性を考慮した非決定論的最適電力流」と述べている。 0.82
12, no. 12, pp. 12、いいえ。 12、p。 0.70
1354-1365, 2018. 1354-1365, 2018. 0.84
27. M. Han, C. Liu, and J. Xing, "An evolutionary membrane algorithm for global numerical 27. M. Han, C. Liu, J. Xing, "グローバル数値のための進化膜アルゴリズム" 0.85
optimization problems," Information Sciences, vol. 最適化問題 (Information Sciences, vol.)。 0.65
276, pp. 219-241, 2014. 276, pp。 219-241, 2014. 0.82
28. M. Kheshti, X. Kang, J. Li, P. Regulski, and V. Terzija, "Lightning flash algorithm for solving non-convex combined emission economic dispatch with generator constraints," IET Generation, Transmission & Distribution, vol. 28. M. Kheshti, X. Kang, J. Li, P. Regulski, V. Terzija, “Lightning flash algorithm for solve non-convex combined emission economic dispatch with generator constraints”. IET Generation, Transmission & Distribution, vol. 0.91
12, no. 1, pp. 12、いいえ。 1、p。 0.69
104-116, 2017. 104-116, 2017. 0.84
29. K. Zhang and B. Li, "Cooperative coevolution with global search for large scale global optimization," in 2012 IEEE Congress on Evolutionary Computation, 2012: IEEE, pp. 29. K. Zhang, B. Li, "Cooperative coevolution with global search for large scale global optimization" in 2012 IEEE Congress on Evolutionary Computation, 2012: IEEE, pp。 0.85
1-7. 1-7. 0.71
英語(論文から抽出)日本語訳スコア
30. C. Vanaret, J.-B. 30. C. Vanaret、J.-B。 0.79
Gotteland, N. Durand, and J.-M. Alliot, "Preventing premature convergence and proving the optimality in evolutionary algorithms," in International Conference on Artificial Evolution (Evolution Artificielle), 2013: Springer, pp. Gotteland, N. Durand, and J.-M. Alliot, "Preventing premature convergence and proving the optimality in Evolution algorithm" in International Conference on Artificial Evolution (Evolution Artificielle), 2013: Springer, pp。 0.87
29-40. 31. 29-40. 31. 0.78
E. L. Dolson, A. E. Vostinar, M. J. Wiser, and C. Ofria, "The MODES toolbox: Measurements of open-ended dynamics in evolving systems," Artificial life, vol. E. L. Dolson, A. E. Vostinar, M. J. Wiser, C. Ofria, "The MODES toolbox: Measurements of open-ended dynamics in evolution systems", Artificial life, vol。 0.94
25, no. 1, pp. 50-73, 2019. 25だ 1、p。 50-73, 2019. 0.62
32. A. Rajan and T. Malakar, "Optimal reactive power dispatch using hybrid Nelder–Mead simplex based firefly algorithm," International Journal of Electrical Power & Energy Systems, vol. 32. A. Rajan, T. Malakar, “Optimal Reactive Power dispatch using hybrid Nelder–Mead simplex based firefly algorithm”. International Journal of Electric Power & Energy Systems, Vol. 0.89
66, pp. 9-24, 2015. 66, pp。 9-24, 2015. 0.82
33. S. Sreejith, H. K. Nehemiah, and A. Kannan, "Clinical Data Classification Using an Enhanced SMOTE and Chaotic Evolutionary Feature Selection," Computers in Biology and Medicine, p. 103991, 2020. 33. S.Sreejith, H.K. Nehemiah, A. Kannan, "Clinical Data Classification Using an Enhanced SMOTE and Chaotic Evolutionary Feature Selection", Computers in Biology and Medicine, p. 103991, 2020. 0.88
34. M. Bardeen, "Survey of methods to prevent premature convergence in evolutionary algorithms," in Workshop of Natural Computing, J. Chilenas de Computation, 2013, pp. 34. M. Bardeen, "Survey of methods to prevent premature convergence in evolution algorithm" in Workshop of Natural Computing, J. Chilenas de Computation, 2013 pp。 0.83
13-15. 35. 13-15. 35. 0.78
T. Jansen, Analyzing evolutionary algorithms: The computer science perspective. T. Jansen, Analyzing evolutionary algorithm: the computer science perspective。 0.88
Springer Science & Business Media, 2013. ばね 2013年、Science & Business Mediaに入社。 0.57
36. M. Tahir, A. Tubaishat, F. Al-Obeidat, B. Shah, Z. Halim, and M. Waqas, "A novel binary chaotic genetic algorithm for feature selection and its utility in affective computing and healthcare," Neural Computing and Applications, pp. 36. m. tahir, a. tubaishat, f. al-obeidat, b. shah, z. halim, and m. waqas, "a novel binary chaotic genetic algorithm for feature selection and its utility in affective computing and healthcare", neural computing and applications, pp. 0.87
1-22, 2020. 1-22, 2020. 0.84
37. S. S. Jadon, R. Tiwari, H. Sharma, and J. C. Bansal, "Hybrid artificial bee colony 37. S.S. Jadon、R. Tiwari、H. Sharma、J. C. Bansal、「ハイブリッド人工ミツバチコロニー」 0.79
algorithm with differential evolution," Applied Soft Computing, vol. 微分進化型アルゴリズム」応用ソフトコンピューティング, vol. 0.62
58, pp. 11-24, 2017. 58, pp。 11-24, 2017. 0.82
38. R. Murugan, M. Mohan, C. C. A. Rajan, P. D. Sundari, and S. Arunachalam, "Hybridizing bat algorithm with artificial bee colony for combined heat and power economic dispatch," Applied Soft Computing, vol. 38. R. Murugan, M. Mohan, C. C. A. Rajan, P. D. Sundari, S. Arunachalam, “Hybridizing bat algorithm with artificial bee colony for combination heat and power economic dispatch”. Applied Soft Computing, vol. 0.91
72, pp. 189-217, 2018. 72, pp。 189-217, 2018. 0.83
39. O. Kramer, "Premature convergence in constrained continuous search spaces," in International Conference on Parallel Problem Solving from Nature, 2008: Springer, pp. 39. O. Kramer, "Premature convergence in constrained continuous search space" in International Conference on Parallel Problem Solving from Nature, 2008: Springer, pp. (英語) 0.87
6271. 40. J. S. Mill, "Mill on Bentham and Coleridge, ed," FR Leavis, London: Chatto and Windus, 6271. 40. J.S.ミル, "Mill on Bentham and Coleridge, ed", FR Leavis, London: Chatto and Windus, 0.85
1950. 41. J. Brennan, Against democracy: New preface. 1950. 41. J. Brennan、民主主義に反対:新しい序文。 0.82
Princeton University Press, 2017. プリンストン大学出版局、2017年。 0.67
42. M. D. McKay, R. J. Beckman, and W. J. Conover, "Comparison of three methods for selecting values of input variables in the analysis of output from a computer code," Technometrics, vol. 42. M.D. McKay, R. J. Beckman, W. J. Conover, "Comparison of three method for selecting input variables in the analysis of output from a computer code", Technometrics, vol。 0.85
21, no. 2, pp. 21、いいえ。 2、p。 0.68
239-245, 1979. 239-245, 1979. 0.84
                                         ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。