論文の概要: Large Population Sizes and Crossover Help in Dynamic Environments

• arxiv url: http://arxiv.org/abs/2004.09949v1
• Date: Tue, 21 Apr 2020 12:26:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 06:21:23.915985
• Title: Large Population Sizes and Crossover Help in Dynamic Environments
• Title（参考訳）: 動環境における大規模人口とクロスオーバー支援
• Authors: Johannes Lengler, Jonas Meier
• Abstract要約: 動的線形関数の極端形式である動的 BinVal に対するより大きな集団サイズの影響について検討する。 人口が適度に増加すると、効率的なアルゴリズム構成の範囲が広がる。
• 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: Dynamic linear functions on the hypercube are functions which assign to each bit a positive weight, but the weights change over time. Throughout optimization, these functions maintain the same global optimum, and never have defecting local optima. Nevertheless, it was recently shown [Lengler, Schaller, FOCI 2019] that the $(1+1)$-Evolutionary Algorithm needs exponential time to find or approximate the optimum for some algorithm configurations. In this paper, we study the effect of larger population sizes for Dynamic BinVal, the extremal form of dynamic linear functions. We find that moderately increased population sizes extend the range of efficient algorithm configurations, and that crossover boosts this positive effect substantially. Remarkably, similar to the static setting of monotone functions in [Lengler, Zou, FOGA 2019], the hardest region of optimization for $(\mu+1)$-EA is not close the optimum, but far away from it. In contrast, for the $(\mu+1)$-GA, the region around the optimum is the hardest region in all studied cases.
• Abstract（参考訳）: ハイパーキューブ上の動的線型関数は各ビットに正の重みを割り当てる関数であるが、重みは時間とともに変化する。 最適化を通して、これらの関数は同じ大域的最適性を維持し、局所最適性を欠くことはない。 それにもかかわらず、最近[Lengler, Schaller, FOCI 2019]では、$(1+1)$-Evolutionary Algorithmは、アルゴリズム構成の最適化を見つけ、近似するために指数時間を必要とすることが示されている。 本稿では,動的線形関数の極端形式である動的ビンバルに対するより大きな集団サイズの影響について検討する。 人口が適度に増加すると、効率的なアルゴリズム構成の範囲が拡大し、クロスオーバーによってこのプラス効果が大幅に増大することがわかった。 注目すべきは、[Lengler, Zou, FOGA 2019] のモノトーン関数の静的な設定と同様、$(\mu+1)$-EA の最適化の最も難しい領域は最適化を閉じることではなく、それから離れることである。 対照的に、$(\mu+1)$-ga の場合、最適付近の領域はすべての研究ケースにおいて最も難しい領域である。

関連論文リスト

• Self-Adjusting Evolutionary Algorithms Are Slow on Multimodal Landscapes [0.0]
  正の結果が他の局所最適値に拡張されないことを示す。 歪んだOneMaxベンチマークでは、自己調整の$(1, lambda)$-EAは、アルゴリズムがローカルオプティマからエスケープされるのを防ぐため、エリート的アルゴリズムと同じように遅くなる。
  論文  参考訳（メタデータ） (2024-04-18T10:01:08Z)
• Gradient-free optimization of highly smooth functions: improved analysis and a new algorithm [87.22224691317766]
  この研究は、目的関数が極めて滑らかであるという仮定の下で、ゼロ次ノイズオラクル情報による問題を研究する。 ゼロオーダー射影勾配勾配アルゴリズムを2種類検討する。
  論文  参考訳（メタデータ） (2023-06-03T17:05:13Z)
• On Convergence of Incremental Gradient for Non-Convex Smooth Functions [63.51187646914962]
  機械学習とネットワーク最適化では、ミスの数と優れたキャッシュを最小化するため、シャッフルSGDのようなアルゴリズムが人気である。 本稿では任意のデータ順序付けによる収束特性SGDアルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2023-05-30T17:47:27Z)
• Improved Convergence Rate of Stochastic Gradient Langevin Dynamics with Variance Reduction and its Application to Optimization [50.83356836818667]
  勾配ランゲヴィン・ダイナミクスは非エプス最適化問題を解くための最も基本的なアルゴリズムの1つである。 本稿では、このタイプの2つの変種、すなわち、分散還元ランジュバンダイナミクスと再帰勾配ランジュバンダイナミクスを示す。
  論文  参考訳（メタデータ） (2022-03-30T11:39:00Z)
• Ada-BKB: Scalable Gaussian Process Optimization on Continuous Domain by Adaptive Discretization [21.859940486704264]
  GPUCBのようなアルゴリズムは計算の複雑さを禁止している。 関数のノアアルゴリズムは、連続最適化の真の問題を裏付ける。
  論文  参考訳（メタデータ） (2021-06-16T07:55:45Z)
• Finding Global Minima via Kernel Approximations [90.42048080064849]
  関数評価のみに基づく滑らかな関数のグローバル最小化を考える。 本稿では,近似関数を共同でモデル化し,大域的最小値を求める手法を検討する。
  論文  参考訳（メタデータ） (2020-12-22T12:59:30Z)
• Runtime analysis of the (mu+1)-EA on the Dynamic BinVal function [0.0]
  進化的アルゴリズムを動的に研究し、各世代ごとに異なる適合関数が選択される。 特に、最適化の最も難しい領域は最適化の周辺ではない。
  論文  参考訳（メタデータ） (2020-10-26T08:55:53Z)
• A Two-Timescale Framework for Bilevel Optimization: Complexity Analysis and Application to Actor-Critic [142.1492359556374]
  双レベル最適化は、2レベル構造を示す問題のクラスである。 このような二段階問題に対処するための2段階近似(TTSA)アルゴリズムを提案する。 本稿では,TTSAフレームワークの特殊な事例として,2段階の自然なアクター・クリティカルポリシー最適化アルゴリズムが有用であることを示す。
  論文  参考訳（メタデータ） (2020-07-10T05:20:02Z)
• Private Stochastic Convex Optimization: Optimal Rates in Linear Time [74.47681868973598]
  本研究では,凸損失関数の分布から得られた個体群損失を最小化する問題について検討する。 Bassilyらによる最近の研究は、$n$のサンプルを与えられた過剰な人口損失の最適境界を確立している。 本稿では,余剰損失に対する最適境界を達成するとともに,$O(minn, n2/d)$グラデーション計算を用いて凸最適化アルゴリズムを導出する2つの新しい手法について述べる。
  論文  参考訳（メタデータ） (2020-05-10T19:52:03Z)

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。