論文の概要: Improved Binary Artificial Bee Colony Algorithm
- arxiv url: http://arxiv.org/abs/2003.11641v2
- Date: Mon, 20 Apr 2020 17:27:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 13:18:34.579427
- Title: Improved Binary Artificial Bee Colony Algorithm
- Title（参考訳）: 改良されたバイナリ人工蜂コロニーアルゴリズム
- Authors: Rafet Durgut
- Abstract要約: Artificial Bee Colony (ABC)アルゴリズムは、Swarmインテリジェンスに基づく進化的最適化アルゴリズムである。
我々はABCアルゴリズムを改良してバイナリ最適化問題を解き、それを改良されたバイナリ・ビーコロニー (ibinABC) と呼ぶ。
提案手法は,適合度値に基づく更新機構と,異なる数の決定変数の処理により構成される。
- 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: The Artificial Bee Colony (ABC) algorithm is an evolutionary optimization
algorithm based on swarm intelligence and inspired by the honey bees' food
search behavior. Since the ABC algorithm has been developed to achieve optimal
solutions by searching in the continuous search space, modification is required
to apply this method to binary optimization problems. In this paper, we improve
the ABC algorithm to solve binary optimization problems and call it the
improved binary Artificial Bee Colony (ibinABC). The proposed method consists
of an update mechanism based on fitness values and processing different number
of decision variables. Thus, we aim to prevent the ABC algorithm from getting
stuck in a local minimum by increasing its exploration ability. We compare the
ibinABC algorithm with three variants of the ABC and other meta-heuristic
algorithms in the literature. For comparison, we use the wellknown OR-Library
dataset containing 15 problem instances prepared for the uncapacitated facility
location problem. Computational results show that the proposed method is
superior to other methods in terms of convergence speed and robustness. The
source code of the algorithm will be available on GitHub after reviewing
process
- Abstract（参考訳）: Artificial Bee Colony (ABC) アルゴリズムは、ミツバチの食物探索行動にインスパイアされた、群知性に基づく進化的最適化アルゴリズムである。
ABCアルゴリズムは連続探索空間を探索することで最適解を実現するために開発されたため、この手法を二進最適化問題に適用するには修正が必要である。
本稿では,二分最適化問題を解くためにabcアルゴリズムを改善し,改良型二分型人工蜂コロニー (ibinabc) と呼ぶ。
提案手法は,適合度値に基づく更新機構と,異なる数の決定変数を処理する。
そこで本研究では,ABCアルゴリズムの探索能力を高めることにより,局所的に最小限に留まることを防止することを目的とする。
ibinabcアルゴリズムをabcと他のメタヒューリスティックアルゴリズムの3つの変種と比較した。
比較のために、未容量の施設配置問題に備えた15の問題インスタンスを含む有名なOR-Libraryデータセットを使用する。
計算結果から,提案手法は収束速度やロバスト性の観点から他の手法よりも優れていることが示された。
アルゴリズムのソースコードは、レビュープロセスの後にGitHubで入手できる。
関連論文リスト
- A Three-Stage Algorithm for the Closest String Problem on Artificial and Real Gene Sequences [39.58317527488534]
ストロースト文字列問題(Closest String Problem)は、与えられた文字列の集合に属するすべての列から最小距離の文字列を見つけることを目的としたNPハード問題である。
本稿では,次の3段階のアルゴリズムを提案する。まず,検索領域を効果的に見つけるために,検索空間を削減するために,新しいアルファベットプルーニング手法を適用する。
第二に、解を見つけるためのビーム探索の変種を用いる。この方法は、部分解の期待距離スコアに基づいて、新たに開発された誘導関数を利用する。
論文 参考訳（メタデータ） (2024-07-17T21:26:27Z) - Improved discrete particle swarm optimization using Bee Algorithm and multi-parent crossover method (Case study: Allocation problem and benchmark functions) [0.3683202928838613]
本稿では,OMPCDPSO(OMPCDPSO)を提案する。
我々は,ハチアルゴリズムの見物ミツバチを用いた,独立して集中した近傍探索を行った。
この研究で開発されたアルゴリズム(OMCDPSO)は、47(76.60%)のうち36の試験関数で、他のアルゴリズムよりも優れている。
論文 参考訳（メタデータ） (2024-03-15T21:08:37Z) - HARRIS: Hybrid Ranking and Regression Forests for Algorithm Selection [75.84584400866254]
両アプローチの強みを両アプローチの弱さを緩和しつつ組み合わせ, 特殊林を利用した新しいアルゴリズムセレクタを提案する。
HARRISの決定は、ハイブリッドランキングと回帰損失関数に基づいて最適化された木を作成する森林モデルに基づいている。
論文 参考訳（メタデータ） (2022-10-31T14:06:11Z) - OptABC: an Optimal Hyperparameter Tuning Approach for Machine Learning
Algorithms [1.6114012813668934]
OptABCは、ABCアルゴリズムがほぼ最適解へのより高速な収束を支援するために提案されている。
OptABCは、人工蜂コロニーアルゴリズム、K-Meansクラスタリング、greedyアルゴリズム、および反対ベースの学習戦略を統合している。
実験結果から,OptABCの有効性が文献の既存手法と比較された。
論文 参考訳（メタデータ） (2021-12-15T22:33:39Z) - A Fully Single Loop Algorithm for Bilevel Optimization without Hessian
Inverse [121.54116938140754]
両レベル最適化問題に対して,Hessian 逆フリーな完全単一ループアルゴリズムを提案する。
我々のアルゴリズムは$O(epsilon-2)$と収束することを示す。
論文 参考訳（メタデータ） (2021-12-09T02:27:52Z) - Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。
SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。
本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。
ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文 参考訳（メタデータ） (2021-09-13T18:10:52Z) - Searching for a practical evidence of the No Free Lunch theorems [0.0]
No Free Lunch (NFL) の定理によると、最適化問題全体と比較すると、すべてのブラックボックスアルゴリズムは等しくうまく機能する。
与えられたアルゴリズムAが、与えられたアルゴリズムBより優れているテスト関数を進化させる。
論文 参考訳（メタデータ） (2021-08-21T19:28:48Z) - 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) - Double Coverage with Machine-Learned Advice [100.23487145400833]
オンラインの基本的な$k$-serverの問題を学習強化環境で研究する。
我々のアルゴリズムは任意の k に対してほぼ最適の一貫性-破壊性トレードオフを達成することを示す。
論文 参考訳（メタデータ） (2021-03-02T11:04:33Z) - Critical Analysis: Bat Algorithm based Investigation and Application on
Several Domains [1.1802674324027231]
このアルゴリズムのアイデアはコウモリのエコーロケーション能力から取られた。
バットアルゴリズムは、背景、特徴、制限の観点から詳細に与えられる。
論文 参考訳（メタデータ） (2021-01-18T19:25:12Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-01-07T08:00:02Z)
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。