論文の概要: Generalized Self-Adapting Particle Swarm Optimization algorithm with
archive of samples
- arxiv url: http://arxiv.org/abs/2002.12485v1
- Date: Fri, 28 Feb 2020 00:03:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 01:46:56.176458
- Title: Generalized Self-Adapting Particle Swarm Optimization algorithm with
archive of samples
- Title（参考訳）: サンプルアーカイブを用いた一般化自己適応型粒子群最適化アルゴリズム
- Authors: Micha{\l} Okulewicz, Mateusz Zaborski, Jacek Ma\'ndziuk
- Abstract要約: 本稿では,M-GAPSOと呼ばれるアルゴリズムの新バージョンを紹介する。
GAPSOの当初の定式化と比較すると、グローバル再起動管理スキーム、R-Treeベースインデックス内のサンプル収集、グローバルな粒子性能に基づくサンプリング動作の適応、ローカル検索への具体的なアプローチの4つの特徴がある。
- 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: In this paper we enhance Generalized Self-Adapting Particle Swarm
Optimization algorithm (GAPSO), initially introduced at the Parallel Problem
Solving from Nature 2018 conference, and to investigate its properties. The
research on GAPSO is underlined by the two following assumptions: (1) it is
possible to achieve good performance of an optimization algorithm through
utilization of all of the gathered samples, (2) the best performance can be
accomplished by means of a combination of specialized sampling behaviors
(Particle Swarm Optimization, Differential Evolution, and locally fitted square
functions). From a software engineering point of view, GAPSO considers a
standard Particle Swarm Optimization algorithm as an ideal starting point for
creating a generalpurpose global optimization framework. Within this framework
hybrid optimization algorithms are developed, and various additional techniques
(like algorithm restart management or adaptation schemes) are tested. The paper
introduces a new version of the algorithm, abbreviated as M-GAPSO. In
comparison with the original GAPSO formulation it includes the following four
features: a global restart management scheme, samples gathering within an
R-Tree based index (archive/memory of samples), adaptation of a sampling
behavior based on a global particle performance, and a specific approach to
local search. The above-mentioned enhancements resulted in improved performance
of M-GAPSO over GAPSO, observed on both COCO BBOB testbed and in the black-box
optimization competition BBComp. Also, for lower dimensionality functions (up
to 5D) results of M-GAPSO are better or comparable to the state-of-the art
version of CMA-ES (namely the KL-BIPOP-CMA-ES algorithm presented at the GECCO
2017 conference).
- Abstract（参考訳）: 本稿では,Parallel Problem Solving from Nature 2018で最初に紹介されたGAPSO(Generalized Self-Adapting Particle Swarm Optimization Algorithm)を拡張し,その特性について検討する。
gapsoの研究は、(1)収集したすべてのサンプルを利用して最適化アルゴリズムの優れた性能を達成することが可能であり、(2)特別なサンプリング動作の組み合わせ(粒子群最適化、微分進化、局所的適応された二乗関数)によって最高の性能を達成することができる、という2つの仮定に基づいている。
ソフトウェア工学の観点からは、GAPSOは標準のParticle Swarm Optimizationアルゴリズムを汎用的なグローバル最適化フレームワークを作成するための理想的な出発点と考えている。
このフレームワークではハイブリッド最適化アルゴリズムが開発され、様々な追加技術(アルゴリズムの再起動管理や適応スキームなど)がテストされている。
本稿では,M-GAPSOと呼ばれるアルゴリズムの新バージョンを紹介する。
GAPSOの当初の定式化と比較すると、グローバル再起動管理スキーム、R-Treeベースのインデックス(サンプルの主/メモリ)内のサンプル収集、大域的な粒子性能に基づくサンプリング動作の適応、局所探索への具体的なアプローチの4つの特徴がある。
以上の拡張により、COCO BBOBテストベッドとブラックボックス最適化コンペティションBBCompの両方で観察されたGAPSO上のM-GAPSOの性能が向上した。
また、M-GAPSOの低次元関数(最大5D)については、CMA-ES(つまり、GECCO 2017で発表されたKL-BIPOP-CMA-ESアルゴリズム)の最先端版に匹敵する。
関連論文リスト
- Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。
本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。
合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
論文 参考訳（メタデータ） (2024-11-07T17:05:31Z) - The Firefighter Algorithm: A Hybrid Metaheuristic for Optimization Problems [3.2432648012273346]
The Firefighter Optimization (FFO) algorithm is a new hybrid metaheuristic for optimization problem。
FFOの性能を評価するため、FFOは13の最適化アルゴリズムに対して広範な実験を行った。
その結果、FFOは比較性能を達成し、いくつかのシナリオでは、得られた適合性、正確性に要する時間、時間単位でカバーされる研究空間の点で、一般的に採用されている最適化アルゴリズムよりも優れていることが示された。
論文 参考訳（メタデータ） (2024-06-01T18:38:59Z) - A new simplified MOPSO based on Swarm Elitism and Swarm Memory: MO-ETPSO [0.0]
Elitist PSO (MO-ETPSO) は多目的最適化問題に適用される。
提案アルゴリズムは、確立されたNSGA-IIアプローチからコア戦略を統合する。
このアルゴリズムの新たな側面は、SwarmメモリとSwarmエリート主義の導入である。
論文 参考訳（メタデータ） (2024-02-20T09:36:18Z) - 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) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳（メタデータ） (2023-07-25T09:45:47Z) - Bidirectional Looking with A Novel Double Exponential Moving Average to
Adaptive and Non-adaptive Momentum Optimizers [109.52244418498974]
我々は,新しいtextscAdmeta(textbfADouble指数textbfMov averagtextbfE textbfAdaptiveおよび非適応運動量)フレームワークを提案する。
我々は、textscAdmetaR と textscAdmetaS の2つの実装を提供し、前者は RAdam を、後者は SGDM をベースとしています。
論文 参考訳（メタデータ） (2023-07-02T18:16:06Z) - PAO: A general particle swarm algorithm with exact dynamics and
closed-form transition densities [0.0]
粒子群最適化(PSO)アプローチは多くの応用分野において非常に効果的であることが証明されている。
本研究では, PSOアルゴリズムの高一般性, 解釈可能な変種であるパーティクル・アトラクター・アルゴリズム (PAO) を提案する。
論文 参考訳（メタデータ） (2023-04-28T16:19:27Z) - Hybrid Evolutionary Optimization Approach for Oilfield Well Control
Optimization [0.0]
油田生産の最適化は、地下モデルの複雑さと関連する非線形性のために困難である。
本稿では,2つのハイブリッドな進化的最適化手法の有効性について述べる。
論文 参考訳（メタデータ） (2021-03-29T13:36:51Z) - Combining Particle Swarm Optimizer with SQP Local Search for Constrained
Optimization Problems [0.0]
先行するアルゴリズムの違いは局所的な検索能力にある可能性が示唆された。
ベンチマークスイートの他のリードと比較すると、他の主要なPSOアルゴリズムと競合するようにローカル検索を実装したGP-PSOのハイブリッドが示される。
論文 参考訳（メタデータ） (2021-01-25T09:34:52Z) - Stochastic batch size for adaptive regularization in deep network
optimization [63.68104397173262]
ディープラーニングフレームワークにおける機械学習問題に適用可能な適応正規化を取り入れた一階最適化アルゴリズムを提案する。
一般的なベンチマークデータセットに適用した従来のネットワークモデルに基づく画像分類タスクを用いて,提案アルゴリズムの有効性を実証的に実証した。
論文 参考訳（メタデータ） (2020-04-14T07:54:53Z) - 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。