論文の概要: SHX: Search History Driven Crossover for Real-Coded Genetic Algorithm

• arxiv url: http://arxiv.org/abs/2003.13508v1
• Date: Mon, 30 Mar 2020 14:32:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 07:09:30.772115
• Title: SHX: Search History Driven Crossover for Real-Coded Genetic Algorithm
• Title（参考訳）: SHX:リアルタイム遺伝的アルゴリズムの検索履歴駆動クロスオーバー
• Authors: Takumi Nakane, Xuequan Lu, Chao Zhang
• Abstract要約: 検索履歴によって駆動される単純だが効果的なクロスオーバーモデル(SHXと略される)を導入する。 基本的に、SHXは、探索履歴を利用して、子孫生成後の子孫選択を行うデータ駆動方式である。 4つのベンチマーク関数に対するSHXの有効性を実験的に検証した。
• 参考スコア（独自算出の注目度）: 15.269566750003873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In evolutionary algorithms, genetic operators iteratively generate new offspring which constitute a potentially valuable set of search history. To boost the performance of crossover in real-coded genetic algorithm (RCGA), in this paper we propose to exploit the search history cached so far in an online style during the iteration. Specifically, survivor individuals over past few generations are collected and stored in the archive to form the search history. We introduce a simple yet effective crossover model driven by the search history (abbreviated as SHX). In particular, the search history is clustered and each cluster is assigned a score for SHX. In essence, the proposed SHX is a data-driven method which exploits the search history to perform offspring selection after the offspring generation. Since no additional fitness evaluations are needed, SHX is favorable for the tasks with limited budget or expensive fitness evaluations. We experimentally verify the effectiveness of SHX over 4 benchmark functions. Quantitative results show that our SHX can significantly enhance the performance of RCGA, in terms of accuracy.
• Abstract（参考訳）: 進化的アルゴリズムでは、遺伝的演算子は、潜在的に価値のある検索履歴を構成する新しい子孫を反復的に生成する。 実コード型遺伝的アルゴリズム(RCGA)におけるクロスオーバー性能を高めるため,本研究では,オンライン形式でキャッシュされた検索履歴を活用することを提案する。 具体的には、過去数世代にわたる生き残った個人をアーカイブに収集保存して検索履歴を形成する。 検索履歴(略してshx)によって駆動される,単純かつ効果的なクロスオーバーモデルを導入する。 特に、検索履歴はクラスタ化され、各クラスタにはSHXのスコアが割り当てられる。 本質的に、提案されているshxは、検索履歴を利用して子孫生成後に子孫選択を行うデータ駆動型手法である。 追加のフィットネス評価は必要ないため、SHXは限られた予算や高価なフィットネス評価のタスクに好適である。 4つのベンチマーク関数に対するSHXの有効性を実験的に検証した。 以上の結果から, SHXはRCGAの性能を大幅に向上させることができることがわかった。

関連論文リスト

• OGBench: Benchmarking Offline Goal-Conditioned RL [72.00291801676684]
  オフライン目標条件強化学習(GCRL)は強化学習における大きな問題である。 オフラインゴール条件RLにおけるアルゴリズム研究のための,新しい高品質なベンチマークであるOGBenchを提案する。
  論文  参考訳（メタデータ） (2024-10-26T06:06:08Z)
• Horizon-wise Learning Paradigm Promotes Gene Splicing Identification [6.225959701339916]
  本稿では,Horizon-wise Gene Splicing Identification (H-GSI) という遺伝子スプライシング識別作業のための新しいフレームワークを提案する。 提案するH-GSIは,文字列データをテンソルに変換する前処理手順,長いシーケンスを扱うスライディングウインドウ手法,SeqLabモデル,予測器の4つのコンポーネントから構成される。 切断された固定長配列で遺伝子情報を処理している既存の研究とは対照的に、H-GSIは1つの前方計算でシーケンス内の全ての位置を予測する水平方向同定パラダイムを採用している。
  論文  参考訳（メタデータ） (2024-06-15T08:18:09Z)
• Hybrid Genetic Algorithm and Hill Climbing Optimization for the Neural Network [0.0]
  CIFAR-100データセット上での畳み込みニューラルネットワーク(CNN)の最適化のための遺伝的アルゴリズムとヒルクライミングアルゴリズムを組み合わせたハイブリッドモデルを提案する。 提案したハイブリッドモデルでは, 標準アルゴリズムと比較して, より少ない世代で精度が向上する。
  論文  参考訳（メタデータ） (2023-08-24T22:03:18Z)
• Fast Classification with Sequential Feature Selection in Test Phase [1.1470070927586016]
  本稿では,分類のための能動的特徴獲得のための新しいアプローチを提案する。 最適な予測性能を達成するために、最も情報性の高い機能のサブセットを順次選択する作業である。 提案手法では,既存の手法に比べてはるかに高速で効率の良い新しい遅延モデルが提案されている。
  論文  参考訳（メタデータ） (2023-06-25T21:31:46Z)
• Improving and Benchmarking Offline Reinforcement Learning Algorithms [87.67996706673674]
  この作業は、低レベルの選択とデータセットによって引き起こされるギャップを埋めることを目的としている。 3つの代表アルゴリズムを用いて20の実装選択を実証的に検討する。 CRR+とCQL+の2つの変種がD4RL上で新たな最先端を実現している。
  論文  参考訳（メタデータ） (2023-06-01T17:58:46Z)
• How Does Generative Retrieval Scale to Millions of Passages? [68.98628807288972]
  各種コーパス尺度における生成的検索手法の実証的研究を行った。 我々は8.8Mパスのコーパスで数百万のパスに生成検索をスケールし、モデルサイズを最大11Bパラメータまで評価する。 生成的検索は、小さなコーパス上の最先端のデュアルエンコーダと競合するが、数百万のパスへのスケーリングは依然として重要で未解決の課題である。
  論文  参考訳（メタデータ） (2023-05-19T17:33:38Z)
• Experimental Analysis of Machine Learning Techniques for Finding Search Radius in Locality Sensitive Hashing [0.9137554315375919]
  局所感性ハッシュ (Locality Sensitive Hashing, LSH) は、高次元空間の近接探索技術として最も一般的なものの一つである。 機械学習を利用するために、半径最適化局所感性ハッシュ(roLSH)と呼ばれる改良されたLSHベースのインデックス構造が提案されている。
  論文  参考訳（メタデータ） (2022-11-16T18:19:10Z)
• CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks [62.22920673080208]
  単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。 我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
  論文  参考訳（メタデータ） (2022-08-16T10:22:49Z)
• Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
  トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。 scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
  論文  参考訳（メタデータ） (2021-05-10T23:51:14Z)
• A Novel Community Detection Based Genetic Algorithm for Feature Selection [3.8848561367220276]
  著者らは3つのステップで機能するコミュニティ検出に基づく遺伝的アルゴリズムを提案する。 提案手法の性能から,9つのベンチマーク分類問題を解析した。
  論文  参考訳（メタデータ） (2020-08-08T15:39:30Z)
• Unsupervised Text Generation by Learning from Search [86.51619839836331]
  TGLSは、教師なしテキスト生成のための新しいフレームワークである。 実世界の自然言語生成タスクであるパラフレーズ生成とテキストの形式化におけるTGLSの有効性を示す。
  論文  参考訳（メタデータ） (2020-07-09T04:34:48Z)

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。