論文の概要: Bio-inspired Optimization: metaheuristic algorithms for optimization
- arxiv url: http://arxiv.org/abs/2003.11637v1
- Date: Mon, 24 Feb 2020 13:26:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 02:55:02.922420
- Title: Bio-inspired Optimization: metaheuristic algorithms for optimization
- Title（参考訳）: バイオインスパイアされた最適化:最適化のためのメタヒューリスティックアルゴリズム
- Authors: Pravin S Game, Dr. Vinod Vaze, Dr. Emmanuel M
- Abstract要約: 今日の日時において、現実世界の複雑な問題を解決することは、根本的に重要で重要な課題となっている。
従来の最適化手法は小規模な問題に有効であることが判明した。
現実の大規模な問題では、従来の手法はスケールアップしないか、最適解を得ることができないか、あるいは長時間実行した後で解決策を提示する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In today's day and time solving real-world complex problems has become
fundamentally vital and critical task. Many of these are combinatorial
problems, where optimal solutions are sought rather than exact solutions.
Traditional optimization methods are found to be effective for small scale
problems. However, for real-world large scale problems, traditional methods
either do not scale up or fail to obtain optimal solutions or they end-up
giving solutions after a long running time. Even earlier artificial
intelligence based techniques used to solve these problems could not give
acceptable results. However, last two decades have seen many new methods in AI
based on the characteristics and behaviors of the living organisms in the
nature which are categorized as bio-inspired or nature inspired optimization
algorithms. These methods, are also termed meta-heuristic optimization methods,
have been proved theoretically and implemented using simulation as well used to
create many useful applications. They have been used extensively to solve many
industrial and engineering complex problems due to being easy to understand,
flexible, simple to adapt to the problem at hand and most importantly their
ability to come out of local optima traps. This local optima avoidance property
helps in finding global optimal solutions. This paper is aimed at understanding
how nature has inspired many optimization algorithms, basic categorization of
them, major bio-inspired optimization algorithms invented in recent time with
their applications.
- Abstract（参考訳）: 今日では、現実世界の複雑な問題を解決することは、基本的に不可欠で重要なタスクになっている。
これらの多くは組合せ問題であり、最適解は正確な解ではなく、求めるものである。
従来の最適化手法は小規模な問題に有効である。
しかし、現実世界の大規模問題では、従来の手法はスケールアップしないか、最適な解を得ることができないか、あるいは長い実行時間後に解を与えることになる。
これらの問題を解決するために使われた初期の人工知能ベースの技術でさえ、許容できる結果を与えられなかった。
しかし、この20年で、生物の特性と行動に基づいて、生物にインスパイアされたり、自然にインスパイアされた最適化アルゴリズムとして分類されたAIの新しい手法が数多く見られた。
これらの手法はメタヒューリスティック最適化法とも呼ばれ、理論的に証明され、多くの有用なアプリケーションを作成するためにシミュレーションを用いて実装されている。
それらは、手元の問題に容易に理解でき、柔軟で、簡単に適応でき、そして最も重要なのは、局所的なオプティマトラップから抜け出す能力のため、多くの産業的および工学的な複雑な問題を解決するために広く使われている。
この局所最適回避特性は、大域最適解を見つけるのに役立つ。
本研究の目的は,多くの最適化アルゴリズム,それらの基本的な分類,最近のバイオインスパイアされた最適化アルゴリズムとその応用について理解することである。
関連論文リスト
- Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-09-07T19:52:14Z) - Unraveling the Versatility and Impact of Multi-Objective Optimization: Algorithms, Applications, and Trends for Solving Complex Real-World Problems [4.023511716339818]
マルチオブジェクト最適化(MOO)技術は近年ますます人気が高まっている。
本稿では,最近開発されたMOOアルゴリズムについて検討する。
実世界のケーススタディでは、MOOアルゴリズムは複雑な意思決定課題に対処する。
論文 参考訳（メタデータ） (2024-06-29T15:19:46Z) - Solving the Food-Energy-Water Nexus Problem via Intelligent Optimization Algorithms [46.48853432592689]
食料・エネルギー・水系は、互いに影響を及ぼす食料・エネルギー・水の間で複雑に結びついている。
それらは通常、膨大な数の決定変数と、最適化されるべき多くの矛盾する目標を含む。
本稿では、最先端のインテリジェントな最適化手法を用いて食品・エネルギー・水の最適化問題を解き、その性能を比較する。
論文 参考訳（メタデータ） (2024-04-10T06:19:19Z) - Large Language Models as Optimizers [106.52386531624532]
本稿では,大規模言語モデル (LLM) をプロンプトとして活用するためのシンプルで効果的な手法である Prompting (OPRO) を提案する。
各最適化ステップにおいて、LLMは、前述した値を含むプロンプトから新しい解を生成する。
OPROにより最適化された最良のプロンプトは、GSM8Kで最大8%、Big-Bench Hardタスクで最大50%向上することを示した。
論文 参考訳（メタデータ） (2023-09-07T00:07:15Z) - Socio-cognitive Optimization of Time-delay Control Problems using
Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。
本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文 参考訳（メタデータ） (2022-10-23T22:21:10Z) - A Framework for Inherently Interpretable Optimization Models [0.0]
何十年も前に難解だった大規模な問題の解決は、今や日常的な課題である。
1つの大きな障壁は、最適化ソフトウェアがブラックボックスとして認識できることである。
本稿では、本質的に理解しやすい説明規則を持つ解を導出する最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-26T10:32:00Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Learning to Optimize Under Constraints with Unsupervised Deep Neural
Networks [0.0]
機械学習(ML)手法を提案し,汎用的制約付き連続最適化問題の解法を学習する。
本稿では,制約付き最適化問題をリアルタイムに解くための教師なしディープラーニング(DL)ソリューションを提案する。
論文 参考訳（メタデータ） (2021-01-04T02:58:37Z) - Opytimizer: A Nature-Inspired Python Optimizer [0.0]
特定の問題を解決するために、実現可能なパラメータのセットを選択することを目的としている。
我々は,Opheurisizer として Opyy として Python ベースのメタヒューリスティック最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2019-12-30T16:50:55Z)
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。