論文の概要: A survey on dragonfly algorithm and its applications in engineering
- arxiv url: http://arxiv.org/abs/2002.12126v3
- Date: Sat, 28 Aug 2021 07:54:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 13:25:24.850629
- Title: A survey on dragonfly algorithm and its applications in engineering
- Title（参考訳）: ドラゴンフライアルゴリズムとその工学への応用に関する調査
- Authors: Chnoor M. Rahman, Tarik A. Rashid, Abeer Alsadoon, Nebojsa Bacanin,
Polla Fattah, Seyedali Mirjalili
- Abstract要約: トンボのアルゴリズムは2016年に開発され、研究者が様々な分野の幅広い用途と応用を最適化するために用いたアルゴリズムの1つである。
この研究は、実世界の最適化問題を解決するための手法の頑健さと、複雑な最適化問題を改善するためのその欠如に対処した。
- 参考スコア（独自算出の注目度）: 29.190512851078218
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The dragonfly algorithm was developed in 2016. It is one of the algorithms
used by researchers to optimize an extensive series of uses and applications in
various areas. At times, it offers superior performance compared to the most
well-known optimization techniques. However, this algorithm faces several
difficulties when it is utilized to enhance complex optimization problems. This
work addressed the robustness of the method to solve real-world optimization
issues, and its deficiency to improve complex optimization problems. This
review paper shows a comprehensive investigation of the dragonfly algorithm in
the engineering area. First, an overview of the algorithm is discussed.
Besides, we also examined the modifications of the algorithm. The merged forms
of this algorithm with different techniques and the modifications that have
been done to make the algorithm perform better are addressed. Additionally, a
survey on applications in the engineering area that used the dragonfly
algorithm is offered. The utilized engineering applications are the
applications in the field of mechanical engineering problems, electrical
engineering problems, optimal parameters, economic load dispatch, and loss
reduction. The algorithm is tested and evaluated against particle swarm
optimization algorithm and firefly algorithm. To evaluate the ability of the
dragonfly algorithm and other participated algorithms a set of traditional
benchmarks (TF1-TF23) were utilized. Moreover, to examine the ability of the
algorithm to optimize large-scale optimization problems CEC-C2019 benchmarks
were utilized. A comparison is made between the algorithm and other
metaheuristic techniques to show its ability to enhance various problems.
- Abstract（参考訳）: dragonflyのアルゴリズムは2016年に開発された。
研究者が様々な分野の幅広い用途や応用を最適化するために使用するアルゴリズムの1つである。
時には、最もよく知られた最適化技術よりも優れたパフォーマンスを提供する。
しかし, このアルゴリズムは, 複雑な最適化問題を解く上でいくつかの困難に直面している。
本研究は,実世界の最適化問題を解くための手法の頑健さと,複雑な最適化問題を改善するための欠如に対処した。
本稿では,工学領域におけるdragonflyアルゴリズムの包括的研究について述べる。
まず,アルゴリズムの概要について述べる。
また,アルゴリズムの修正についても検討した。
異なる技法によるこのアルゴリズムの融合形式と、アルゴリズムの性能を改善するために行われた修正は、対処される。
さらに、dragonflyアルゴリズムを使用したエンジニアリング分野のアプリケーションに関する調査も提供されている。
応用工学応用は、機械工学問題、電気工学問題、最適パラメータ、経済負荷分散、損失低減の分野における応用である。
本アルゴリズムは粒子群最適化アルゴリズムとファイアフライアルゴリズムを用いて試験および評価を行う。
トンボアルゴリズムや他の参加アルゴリズムの能力を評価するために,従来のベンチマーク(TF1-TF23)を用いた。
さらに,CEC-C2019ベンチマークを用いて,大規模最適化問題に対するアルゴリズムの適用性を検討した。
アルゴリズムと他のメタヒューリスティック手法の比較を行い、様々な問題を強化する能力を示す。
関連論文リスト
- BMR and BWR: Two simple metaphor-free optimization algorithms for solving real-life non-convex constrained and unconstrained problems [0.5755004576310334]
本稿では,Best-MeanRandom (BMR) とBest-Worst-Random (BWR) の2つの単純な最適化アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2024-07-15T18:11:47Z) - A Generalized Evolutionary Metaheuristic (GEM) Algorithm for Engineering Optimization [1.6589012298747952]
近年の大きなトレンドは、自然に着想を得たメタヒュースティックアルゴリズム(NIMA)の利用である。
文献には540以上のアルゴリズムがあり、異なるアルゴリズムの探索機構を理解するための統一的なフレームワークはない。
20以上の異なるアルゴリズムを統一する一般化された進化的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） (2024-07-02T09:55:15Z) - Performance Evaluation of Evolutionary Algorithms for Analog Integrated
Circuit Design Optimisation [0.0]
本稿では,アナログ回路の自動サイズ化手法について述べる。
探索空間を対象とする探索は粒子生成関数と補修バウンド関数を用いて実装されている。
アルゴリズムは、より良い最適解に収束するように調整され、修正される。
論文 参考訳（メタデータ） (2023-10-19T03:26:36Z) - 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) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - Hybrid ACO-CI Algorithm for Beam Design problems [0.4397520291340694]
The novel hybrid version of the Ant colony optimization (ACO) method was developed using the sample space reduction technique of the Cohort Intelligence (CI) algorithm。
提案した研究は、工学領域や医療問題を含む現実世界の応用について検討することができる。
論文 参考訳（メタデータ） (2023-03-29T04:37:14Z) - 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) - An Accelerated Variance-Reduced Conditional Gradient Sliding Algorithm
for First-order and Zeroth-order Optimization [111.24899593052851]
条件勾配アルゴリズム(Frank-Wolfeアルゴリズムとも呼ばれる)は、最近、機械学習コミュニティで人気を取り戻している。
ARCSは、ゼロ階最適化において凸問題を解く最初のゼロ階条件勾配スライディング型アルゴリズムである。
1次最適化では、ARCSの収束結果は、勾配クエリのオラクルの数で、従来のアルゴリズムよりも大幅に優れていた。
論文 参考訳（メタデータ） (2021-09-18T07:08:11Z) - Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。
両レベル最適化のための2つの新しいアルゴリズムを提案する。
両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文 参考訳（メタデータ） (2021-06-08T21:05:30Z) - 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) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z)
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。