論文の概要: AMPSO: Artificial Multi-Swarm Particle Swarm Optimization

• arxiv url: http://arxiv.org/abs/2004.07561v2
• Date: Sun, 21 Jun 2020 07:09:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 21:09:45.260101
• Title: AMPSO: Artificial Multi-Swarm Particle Swarm Optimization
• Title（参考訳）: AMPSO:人工マルチスワム粒子群最適化
• Authors: Haohao Zhou, Zhi-Hui Zhan, Zhi-Xin Yang, Xiangzhi Wei
• Abstract要約: 本研究では,探索群,人工的搾取群,収束群からなる新しい人工マルチスワムPSOを提案する。 結果の正確性を保証するため,群集の探索・利用・収束過程を制御する新しい多様性スキームが提案されている。 CEC2015テストスイートのすべての機能に対してAMPSOの有効性が検証されている。
• 参考スコア（独自算出の注目度）: 5.7415897900373425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we propose a novel artificial multi-swarm PSO which consists of an exploration swarm, an artificial exploitation swarm and an artificial convergence swarm. The exploration swarm is a set of equal-sized sub-swarms randomly distributed around the particles space, the exploitation swarm is artificially generated from a perturbation of the best particle of exploration swarm for a fixed period of iterations, and the convergence swarm is artificially generated from a Gaussian perturbation of the best particle in the exploitation swarm as it is stagnated. The exploration and exploitation operations are alternatively carried out until the evolution rate of the exploitation is smaller than a threshold or the maximum number of iterations is reached. An adaptive inertia weight strategy is applied to different swarms to guarantee their performances of exploration and exploitation. To guarantee the accuracy of the results, a novel diversity scheme based on the positions and fitness values of the particles is proposed to control the exploration, exploitation and convergence processes of the swarms. To mitigate the inefficiency issue due to the use of diversity, two swarm update techniques are proposed to get rid of lousy particles such that nice results can be achieved within a fixed number of iterations. The effectiveness of AMPSO is validated on all the functions in the CEC2015 test suite, by comparing with a set of comprehensive set of 16 algorithms, including the most recently well-performing PSO variants and some other non-PSO optimization algorithms.
• Abstract（参考訳）: 本稿では,探索群,人工的搾取群,人工収束群からなる新しい人工マルチスワムPSOを提案する。 探索群は粒子空間の周囲にランダムに分布する等サイズのサブスワームの集合であり、探査群は一定期間、探索群の最良粒子の摂動から人工的に生成され、収束群は、搾取群における最良粒子の摂動から、停止するにつれて人工的に生成される。 エクスプロイトの進化速度がしきい値より小さいか、イテレーションの最大回数に達するまで、探索およびエクスプロイト操作を代替的に行う。 適応的な慣性重み戦略を異なる群に応用し、探索と搾取の性能を保証する。 この結果の正確性を保証するために,粒子の位置と適合値に基づく新しい多様性スキームを提案し,群れの探索,搾取,収束過程を制御した。 多様性による非効率な問題を軽減するため、2つのスウォーム更新手法が提案されており、一定数のイテレーションで良い結果が得られるように、乱雑な粒子を取り除く。 AMPSOの有効性はCEC2015テストスイートのすべての機能に対して検証され、最新のPSOの変種や他のPSO以外の最適化アルゴリズムを含む16のアルゴリズムの集合と比較される。

関連論文リスト

• Sample-efficient Bayesian Optimisation Using Known Invariances [56.34916328814857]
  バニラと制約付きBOアルゴリズムは、不変目的を最適化する際の非効率性を示す。 我々はこれらの不変カーネルの最大情報ゲインを導出する。 核融合炉用電流駆動システムの設計に本手法を用い, 高性能溶液の探索を行った。
  論文  参考訳（メタデータ） (2024-10-22T12:51:46Z)
• Variance-Reducing Couplings for Random Features [57.73648780299374]
  ランダム機能(RF)は、機械学習においてカーネルメソッドをスケールアップする一般的なテクニックである。 ユークリッド空間と離散入力空間の両方で定義されるRFを改善するための結合を求める。 パラダイムとしての分散還元の利点と限界について、驚くほどの結論に達した。
  論文  参考訳（メタデータ） (2024-05-26T12:25:09Z)
• Fast Semisupervised Unmixing Using Nonconvex Optimization [80.11512905623417]
  半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。 スパース・アンミキシングの代替手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-23T10:07:41Z)
• 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)
• Sampling with Mollified Interaction Energy Descent [57.00583139477843]
  モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。 MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する 我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-10-24T16:54:18Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• Multi-stage, multi-swarm PSO for joint optimization of well placement and control [0.0]
  本研究は,多段マルチスワムPSO (MS2PSO) を提案する。 アルゴリズムの有効性を比較するために,Olympusベンチマークを用いて複数の実験を行った。
  論文  参考訳（メタデータ） (2021-06-02T13:34:50Z)
• Directed particle swarm optimization with Gaussian-process-based function forecasting [15.733136147164032]
  パーティクルスワム最適化 (PSO) は、探索空間を囲む一組の候補解を、ランダム化されたステップ長を持つ最もよく知られたグローバルおよびローカルな解へ移動させる反復探索法である。 本アルゴリズムは探索的・搾取的行動に対して望ましい特性が得られることを示す。
  論文  参考訳（メタデータ） (2021-02-08T13:02:57Z)
• Motion-Encoded Particle Swarm Optimization for Moving Target Search Using UAVs [4.061135251278187]
  本稿では,無人航空機(UAV)を用いた移動目標探索のための動き符号化粒子群最適化(MPSO)という新しいアルゴリズムを提案する。 提案するMPSOは,PSOアルゴリズムで粒子生成に進化する一連のUAV運動経路として探索軌道を符号化することにより,その問題を解決するために開発された。 既存手法による広範囲なシミュレーションの結果,提案手法は検出性能を24%,時間性能を4.71倍改善した。
  論文  参考訳（メタデータ） (2020-10-05T14:17:49Z)
• Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
  サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。 本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。 本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
  論文  参考訳（メタデータ） (2020-06-18T14:24:05Z)
• AdaSwarm: Augmenting Gradient-Based optimizers in Deep Learning with Swarm Intelligence [19.573380763700715]
  本稿では,Adawarmがニューラルネットワークで採用しているAdawarmと同等あるいはそれ以上の性能を持つ,勾配のない数学的数学であるAdaSを紹介する。 本研究では, EMPSOのパラメータを用いて, 微分可能か否かに関わらず, 任意の関数の勾配を近似できることを示す。 また、AdaSは、最大絶対誤差(MAE)を含む、バックプロパゲーション中に様々な損失証明を処理可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-19T19:17:38Z)

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。