論文の概要: Improved Fitness-Dependent Optimizer Algorithm
- arxiv url: http://arxiv.org/abs/2001.11820v1
- Date: Thu, 16 Jan 2020 21:50:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 23:55:35.982736
- Title: Improved Fitness-Dependent Optimizer Algorithm
- Title（参考訳）: 適合度依存オプティマイザアルゴリズムの改良
- Authors: Danial A. Muhammed, Soran AM. Saeed, Tarik A. Rashid
- Abstract要約: フィットネス依存アルゴリズム(FDO)は、2019年に導入された。
本研究では改良されたFDOアルゴリズムを提案する。
IFDOの実践性を証明するために、実世界の応用で使用される。
- 参考スコア（独自算出の注目度）: 0.9990687944474739
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The fitness-dependent optimizer (FDO) algorithm was recently introduced in
2019. An improved FDO (IFDO) algorithm is presented in this work, and this
algorithm contributes considerably to refining the ability of the original FDO
to address complicated optimization problems. To improve the FDO, the IFDO
calculates the alignment and cohesion and then uses these behaviors with the
pace at which the FDO updates its position. Moreover, in determining the
weights, the FDO uses the weight factor (wf), which is zero in most cases and
one in only a few cases. Conversely, the IFDO performs wf randomization in the
[0-1] range and then minimizes the range when a better fitness weight value is
achieved. In this work, the IFDO algorithm and its method of converging on the
optimal solution are demonstrated. Additionally, 19 classical standard test
function groups are utilized to test the IFDO, and then the FDO and three other
well-known algorithms, namely, the particle swarm algorithm (PSO), dragonfly
algorithm (DA), and genetic algorithm (GA), are selected to evaluate the IFDO
results. Furthermore, the CECC06 2019 Competition, which is the set of IEEE
Congress of Evolutionary Computation benchmark test functions, is utilized to
test the IFDO, and then, the FDO and three recent algorithms, namely, the salp
swarm algorithm (SSA), DA and whale optimization algorithm (WOA), are chosen to
gauge the IFDO results. The results show that IFDO is practical in some cases,
and its results are improved in most cases. Finally, to prove the
practicability of the IFDO, it is used in real-world applications.
- Abstract（参考訳）: フィットネス依存オプティマイザ(FDO)アルゴリズムは、2019年に導入された。
改良されたFDO (IFDO) アルゴリズムが提案され、このアルゴリズムは、複雑な最適化問題に対処する元のFDOの能力を改善するのに大いに貢献する。
FDOを改善するために、IFDOはアライメントと凝集度を計算し、FDOがその位置を更新するペースでこれらの挙動を使用する。
さらに、重みを決定する際、FDOは重み係数(wf)を使用し、これはほとんどの場合ゼロであり、わずか数ケースで1つである。
逆に、IFDOは[0-1]範囲でwfランダム化を行い、より良いフィットネスウェイト値が達成された場合の範囲を最小化する。
本研究では,IFDOアルゴリズムとその最適解に収束する手法を示す。
さらに、19の古典的標準テスト関数群を用いてIFDOを試験し、FDOおよび他のよく知られた3つのアルゴリズム、すなわちパーティクルスウォームアルゴリズム(PSO)、トンボアルゴリズム(DA)、遺伝的アルゴリズム(GA)を選択してIFDO結果を評価する。
さらに、IEEE Congress of Evolutionary Computationベンチマークテスト関数のセットであるCECC06 2019コンペティションがIFDOのテストに利用され、その後、FDOと最近の3つのアルゴリズムであるSalp Swarm Algorithm(SSA)、DA、およびWOAがIFDOの結果を測定するために選択される。
その結果、IFDOは実用的であり、ほとんどのケースで改善されている。
最後に、IFDOの実践性を証明するために、実世界のアプリケーションで使用される。
関連論文リスト
- Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。
WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
論文 参考訳（メタデータ） (2024-10-28T04:47:39Z) - Modified-Improved Fitness Dependent Optimizer for Complex and Engineering Problems [5.078139820108554]
FDO(Fitness dependent)は、新しいスウォーム知能アルゴリズムの1つである。
本研究は、M-IFDOと呼ばれるIFDOの修正版を提案する。
M-IFDOは5つの最先端アルゴリズムと比較される。
論文 参考訳（メタデータ） (2024-06-27T07:47:23Z) - FedNAR: Federated Optimization with Normalized Annealing Regularization [54.42032094044368]
ウェイト崩壊の選択を探索し、ウェイト崩壊値が既存のFLアルゴリズムの収束に有意な影響を及ぼすことを確かめる。
我々は,既存のFLアルゴリズムにシームレスに統合可能なプラグインであるFederated Optimization with Normalized Annealing Regularization (FedNAR)を開発した。
論文 参考訳（メタデータ） (2023-10-04T21:11:40Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - GOOSE Algorithm: A Powerful Optimization Tool for Real-World Engineering Challenges and Beyond [4.939986309170004]
GOOSEアルゴリズムは19のよく知られたテスト関数でベンチマークされる。
提案アルゴリズムは, 最新のベンチマーク関数10を用いて検証する。
得られた結果は,提案アルゴリズムの優れた性能を示すものである。
論文 参考訳（メタデータ） (2023-07-19T19:14:25Z) - Multi objective Fitness Dependent Optimizer Algorithm [19.535715565093764]
本稿では、最近導入されたフィットネス依存型(FDO)の多目的変種を提案する。
このアルゴリズムはMOFDO(Multi objective Fitness Dependent)と呼ばれ、FDOのように5種類の知識(situational, normative, topographical, domain, historical knowledge)を備えている。
提案アルゴリズムは,多種多様な分散可能な実現可能解を提供することで,意思決定者がより適用可能な快適な選択をすることができる。
論文 参考訳（メタデータ） (2023-01-26T06:33:53Z) - Fitness Dependent Optimizer for IoT Healthcare using Adapted Parameters:
A Case Study Implementation [0.629786844297945]
本章では、Fitness Dependentwarm(いわゆるFDO)のケーススタディについて論じ、そのパラメータをIoT(Internet of Things)ヘルスケアに適用する。
他のアルゴリズムは、FDOを元の作業でGA(Genematic Algorithm)とPSO(Particle Swarm Optimization)として評価し、比較する。
この章の目標は、FDOに基づいたIoTヘルスケアフレームワークを適用して、効果的なIoTヘルスケアアプリケーションを生成することだ。
論文 参考訳（メタデータ） (2022-05-18T16:18:57Z) - Improving RNA Secondary Structure Design using Deep Reinforcement
Learning [69.63971634605797]
本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。
本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
論文 参考訳（メタデータ） (2021-11-05T02:54:06Z) - Chaotic Fitness Dependent Optimizer for Planning and Engineering Design [1.1802674324027231]
FDO(Fitness Dependent)は、ハチの群れの繁殖行動を模倣したメタヒューリスティックなアルゴリズムである。
本稿では、FDOの性能向上を目的としており、このカオス理論をFDOの内部で使用して、CFDO(Chaotic FDO)を提案する。
CFDOでは10のカオスマップを使用して、どの地図がうまく機能しているかを考察し、局所最適とグローバル最適の発見を避ける。
論文 参考訳（メタデータ） (2021-08-21T12:14:02Z) - Bayesian Algorithm Execution: Estimating Computable Properties of
Black-box Functions Using Mutual Information [78.78486761923855]
多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。
本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。
これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
論文 参考訳（メタデータ） (2021-04-19T17:22:11Z) - Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
適応性は現代最適化理論において重要であるが、研究されていない性質である。
提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
論文 参考訳（メタデータ） (2020-02-13T05:42:27Z)
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。