論文の概要: On the Performance of Metaheuristics: A Different Perspective
- arxiv url: http://arxiv.org/abs/2001.08928v1
- Date: Fri, 24 Jan 2020 09:34:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 04:50:03.678216
- Title: On the Performance of Metaheuristics: A Different Perspective
- Title（参考訳）: メタヒューリスティックスのパフォーマンスについて:異なる視点から
- Authors: Hamid Reza Boveiri and Raouf Khayami
- Abstract要約: 我々は,遺伝的アルゴリズム (GA), Particle Swarm Optimization (PSO), Artificial Bee Colony (ABC), Teaching-Learning-Based Optimization (TLBO), Cuckoo Optimization Algorithm (COA) のいくつかの基本的な進化的およびスワム知能メタヒューリスティックスについて検討した。
異なる特性を持つ20種類の最適化ベンチマーク関数について多数の実験が行われており、これらのメタヒューリスティックスの中での次の順位の他に、いくつかの基本的な結論が示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, we are immersed in tens of newly-proposed evolutionary and
swam-intelligence metaheuristics, which makes it very difficult to choose a
proper one to be applied on a specific optimization problem at hand. On the
other hand, most of these metaheuristics are nothing but slightly modified
variants of the basic metaheuristics. For example, Differential Evolution (DE)
or Shuffled Frog Leaping (SFL) are just Genetic Algorithms (GA) with a
specialized operator or an extra local search, respectively. Therefore, what
comes to the mind is whether the behavior of such newly-proposed metaheuristics
can be investigated on the basis of studying the specifications and
characteristics of their ancestors. In this paper, a comprehensive evaluation
study on some basic metaheuristics i.e. Genetic Algorithm (GA), Particle Swarm
Optimization (PSO), Artificial Bee Colony (ABC), Teaching-Learning-Based
Optimization (TLBO), and Cuckoo Optimization algorithm (COA) is conducted,
which give us a deeper insight into the performance of them so that we will be
able to better estimate the performance and applicability of all other
variations originated from them. A large number of experiments have been
conducted on 20 different combinatorial optimization benchmark functions with
different characteristics, and the results reveal to us some fundamental
conclusions besides the following ranking order among these metaheuristics,
{ABC, PSO, TLBO, GA, COA} i.e. ABC and COA are the best and the worst methods
from the performance point of view, respectively. In addition, from the
convergence perspective, PSO and ABC have significant better convergence for
unimodal and multimodal functions, respectively, while GA and COA have
premature convergence to local optima in many cases needing alternative
mutation mechanisms to enhance diversification and global search.
- Abstract（参考訳）: 現在、我々は、新たに提案された進化的およびスワム知能メタヒューリスティックスに没頭しており、手元にある特定の最適化問題に適用すべき適切なものを選択することは極めて困難である。
一方、これらのメタヒューリスティックのほとんどは、基本的なメタヒューリスティックの変種をわずかに修正しただけである。
例えば、微分進化 (de) またはシャッフルドカエル跳躍 (sfl) は、単に遺伝的アルゴリズム (ga) であり、それぞれ特殊演算子または余分な局所探索を持つ。
したがって、これらの新しく提唱されたメタヒューリスティクスの振る舞いが、祖先の仕様や特性の研究に基づいて調査できるかどうかが心に浮かぶ。
本稿では、遺伝的アルゴリズム(ga)、粒子群最適化(pso)、人工蜂コロニー(abc)、教育学習に基づく最適化(tlbo)、およびcuckoo最適化アルゴリズム(coa)といったいくつかの基本的なメタヒューリスティックスに関する包括的評価研究を行い、それらの性能についてより深い洞察を与え、それらから派生した全てのバリエーションのパフォーマンスと適用可能性をより正確に推定する。
異なる特性を持つ20種類の組合せ最適化ベンチマーク関数について多くの実験が行われており、これらのメタヒューリスティックの中で以下のランキングの他に、abc, pso, tlbo, ga, coa} という基本的な結論が示されている。
加えて、収束の観点からは、pso と abc はそれぞれユニモーダル関数とマルチモーダル関数の収束性が著しく向上し、ga と coa は局所光学に早期収束し、多角化と大域探索を促進するために代替突然変異機構を必要とする場合が多い。
関連論文リスト
- Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic
Algorithm for Solving Combinatorial Optimization Problems [1.8434042562191815]
遺伝的アルゴリズム(GA)は最適化問題の解法における効率性で知られている。
本稿では遺伝子工学の概念からインスピレーションを得るため,遺伝子工学アルゴリズム(GEA)と呼ばれる新しいメタヒューリスティックアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-28T13:05:30Z) - Discovering Attention-Based Genetic Algorithms via Meta-Black-Box
Optimization [13.131971623143622]
全く新しい遺伝的アルゴリズムをデータ駆動方式で発見する。
我々は、選択と突然変異率の適応をクロスアテンションモジュールおよびセルフアテンションモジュールとしてパラメトリズする。
学習アルゴリズムは、未確認の最適化問題、探索次元、評価予算に適用できる。
論文 参考訳（メタデータ） (2023-04-08T12:14:15Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Accelerating the Evolutionary Algorithms by Gaussian Process Regression
with $\epsilon$-greedy acquisition function [2.7716102039510564]
本稿では,最適化の収束を早めるために,エリート個人を推定する新しい手法を提案する。
我々の提案には、エリート個人を推定し、最適化の収束を加速する幅広い見通しがある。
論文 参考訳（メタデータ） (2022-10-13T07:56:47Z) - Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
統計的決定論の研究からシャノンエントロピーの一般化を考える。
まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。
次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
論文 参考訳（メタデータ） (2022-10-04T04:43:58Z) - Towards Learning Universal Hyperparameter Optimizers with Transformers [57.35920571605559]
我々は,テキストベースのトランスフォーマーHPOフレームワークであるOptFormerを紹介した。
実験の結果,OptFormerは少なくとも7種類のHPOアルゴリズムを模倣できることがわかった。
論文 参考訳（メタデータ） (2022-05-26T12:51:32Z) - Optimizer Amalgamation [124.33523126363728]
私たちは、Amalgamationという新しい問題の研究を動機付けています。"Teacher"アマルガメーションのプールを、より強力な問題固有のパフォーマンスを持つ単一の"学生"にどのように組み合わせるべきなのでしょうか?
まず、勾配降下による解析のプールをアマルガメートする3つの異なるメカニズムを定義する。
また, プロセスの分散を低減するため, 目標を摂動させることでプロセスの安定化を図る。
論文 参考訳（メタデータ） (2022-03-12T16:07:57Z) - The importance of being constrained: dealing with infeasible solutions
in Differential Evolution and beyond [0.0]
我々は、最適化アルゴリズムが生成した結果は、ドメイン外で生成されたソリューションで何をすべきかをアルゴリズムが完全に指定しない限り、再現可能とみなすことはできないと論じる。
ここでは、少なくとも微分進化に基づくアルゴリズムにおいて、この選択が顕著に異なる振る舞いを引き起こすことを実証する。
我々は最適化の分野に対して、オプティマイザに新しいアルゴリズムコンポーネントのアイデアを定式化し、採用するよう促す。
論文 参考訳（メタデータ） (2022-03-07T16:49:18Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - cMLSGA: A Co-Evolutionary Multi-Level Selection Genetic Algorithm for
Multi-Objective Optimization [0.0]
MLSGA(Multi-Level Selection Genetic Algorithm)は、すでに様々な問題に対して優れた性能を示している。
本稿では,共進化を個人ではなく集団間の競争として定義する,個別の共進化機構を提案する。
論文 参考訳（メタデータ） (2021-04-22T13:52:21Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。