論文の概要: Differential Evolution with Individuals Redistribution for Real
Parameter Single Objective Optimization
- arxiv url: http://arxiv.org/abs/2003.00439v1
- Date: Sun, 1 Mar 2020 08:40:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 13:04:57.951932
- Title: Differential Evolution with Individuals Redistribution for Real
Parameter Single Objective Optimization
- Title（参考訳）: 実パラメータ単一目的最適化のための個人再分配による微分進化
- Authors: Chengjun Li and Yang Li
- Abstract要約: 微分進化(DE)は、実パラメータ単一目的最適化において非常に強力である。
我々は、個人の再分配を伴うDEという新しいDの流れを提案し、各個人の再分配のプロセスは、世代ごとのフィットネスの進歩が低いときに呼び出す。
実験の結果,DEMアルゴリズムのほとんどの場合,個人の再配布に基づくバージョンは,完全再起動に基づくバージョンとオリジナルバージョンの両方よりも優れた性能を示した。
- 参考スコア（独自算出の注目度）: 5.17900889163564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Differential Evolution (DE) is quite powerful for real parameter single
objective optimization. However, the ability of extending or changing search
area when falling into a local optimum is still required to be developed in DE
for accommodating extremely complicated fitness landscapes with a huge number
of local optima. We propose a new flow of DE, termed DE with individuals
redistribution, in which a process of individuals redistribution will be called
when progress on fitness is low for generations. In such a process, mutation
and crossover are standardized, while trial vectors are all kept in selection.
Once diversity exceeds a predetermined threshold, our opposition replacement is
executed, then algorithm behavior returns to original mode. In our experiments
based on two benchmark test suites, we apply individuals redistribution in ten
DE algorithms. Versions of the ten DE algorithms based on individuals
redistribution are compared with not only original version but also version
based on complete restart, where individuals redistribution and complete
restart are based on the same entry criterion. Experimental results indicate
that, for most of the DE algorithms, version based on individuals
redistribution performs better than both original version and version based on
complete restart.
- Abstract（参考訳）: 微分進化(DE)は、実パラメータ単一目的最適化において非常に強力である。
しかし, 局所最適地点に落下した場合の探索領域の拡張・変更能力は, 非常に複雑なフィットネスランドスケープを多数の局所最適地点に収容するために, DEで開発する必要がある。
本稿では,個人再分配(de with individual redistribution)と呼ばれる新しいdeフローを提案し,数世代にわたってフィットネスの進歩が低ければ,個人再分配のプロセスが呼び出される。
このようなプロセスでは、突然変異とクロスオーバーが標準化され、トライアルベクターはすべて選択される。
多様性が所定のしきい値を超えると、我々の反対置換が実行され、アルゴリズムの振る舞いは元のモードに戻る。
2つのベンチマークテストスイートに基づく実験では、個別の再分配を10のdeアルゴリズムに適用した。
個人再分配に基づく10のデアルゴリズムのバージョンは、元のバージョンだけでなく、完全な再起動に基づくバージョンと比較される。
実験の結果,DEMアルゴリズムのほとんどの場合,個人の再配布に基づくバージョンは,完全再起動に基づくバージョンとオリジナルバージョンの両方よりも優れた性能を示した。
関連論文リスト
- Non-Dominated Sorting Bidirectional Differential Coevolution [0.0]
本稿では、微分進化(DE)を伴う双方向共進化アルゴリズム(BiCo)の変種を提案する。
このモデルの新規性には、主検索エンジンとしてのDE差分変異とクロスオーバー演算子、および非支配的なソート選択スキームが含まれる。
2つのベンチマークテストスイートと8つの実世界のCMOPの実験結果から、提案モデルが元のモデルよりも全体的な性能に到達したことが示唆された。
論文 参考訳（メタデータ） (2024-10-25T09:58:15Z) - Just One Byte (per gradient): A Note on Low-Bandwidth Decentralized
Language Model Finetuning Using Shared Randomness [86.61582747039053]
分散環境での言語モデルトレーニングは、交換の通信コストによって制限される。
分散微調整を低帯域幅で行うために,共有ランダムネスを用いた最近の作業を拡張した。
論文 参考訳（メタデータ） (2023-06-16T17:59:51Z) - 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) - Cooperative Distribution Alignment via JSD Upper Bound [7.071749623370137]
教師なし分布アライメントは、2つ以上のソース分布を共有整列分布にマッピングする変換を推定する。
このタスクには、生成モデリング、教師なしドメイン適応、社会的に認識された学習など、多くの応用がある。
我々は,従来のフローベースアプローチを,単一の非逆数フレームワークで統一し,一般化することを提案する。
論文 参考訳（メタデータ） (2022-07-05T20:09:03Z) - On Private Online Convex Optimization: Optimal Algorithms in
$\ell_p$-Geometry and High Dimensional Contextual Bandits [9.798304879986604]
本研究では,分散分布からサンプリングしたストリーミングデータを用いてDPの凸最適化問題について検討し,逐次到着する。
また、プライベート情報に関連するパラメータを更新し、新しいデータ(しばしばオンラインアルゴリズム)に基づいてリリースする連続リリースモデルについても検討する。
提案アルゴリズムは,1pleq 2$のときの最適余剰リスクと,2pleqinfty$のときの非プライベートな場合の最先端の余剰リスクを線形時間で達成する。
論文 参考訳（メタデータ） (2022-06-16T12:09:47Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳（メタデータ） (2021-12-07T11:26:41Z) - Distribution Mismatch Correction for Improved Robustness in Deep Neural
Networks [86.42889611784855]
正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる
本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。
実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
論文 参考訳（メタデータ） (2021-10-05T11:36:25Z) - OoD-Bench: Benchmarking and Understanding Out-of-Distribution
Generalization Datasets and Algorithms [28.37021464780398]
1つの分布シフトにおいて経験的リスク最小化よりも優れた既存のOoDアルゴリズムは、通常、他の分布シフトに制限があることを示す。
新しいベンチマークは、将来のOoD一般化研究で活用できる強力な基盤として機能する可能性がある。
論文 参考訳（メタデータ） (2021-06-07T15:34:36Z) - Private Stochastic Non-Convex Optimization: Adaptive Algorithms and
Tighter Generalization Bounds [72.63031036770425]
有界非次元最適化のための差分プライベート(DP)アルゴリズムを提案する。
標準勾配法に対する経験的優位性について,2つの一般的なディープラーニング手法を実証する。
論文 参考訳（メタデータ） (2020-06-24T06:01:24Z) - 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) - Generalized ODIN: Detecting Out-of-distribution Image without Learning
from Out-of-distribution Data [87.61504710345528]
我々は,OoD検出性能を改善しつつ,ニューラルネットワークをOoDデータのチューニングから解放する2つの方法を提案する。
具体的には、信頼性スコアリングと修正された入力前処理法を分離することを提案する。
大規模画像データセットのさらなる解析により、セマンティックシフトと非セマンティックシフトの2種類の分布シフトが有意な差を示すことが示された。
論文 参考訳（メタデータ） (2020-02-26T04:18:25Z)
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。