論文の概要: Swarm Programming Using Moth-Flame Optimization and Whale Optimization Algorithms

• arxiv url: http://arxiv.org/abs/2005.04151v1
• Date: Sat, 25 Apr 2020 08:15:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 21:17:08.722265
• Title: Swarm Programming Using Moth-Flame Optimization and Whale Optimization Algorithms
• Title（参考訳）: モースフレム最適化と鯨最適化アルゴリズムを用いた群プログラミング
• Authors: Tapas Si
• Abstract要約: 本稿では,文法ベースのSwarmプログラミング手法をGMFO (Grammatical Moth-Flame-WA) とGWO (Grammatical Whale) の2つ提案する。 The Moth-Flame and Whale Optimization algorithm are used as search engine or learning algorithm in GMFO and GWO。 実験結果から,提案手法が自動プログラム生成に有効であることが示唆された。
• 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: Automatic programming (AP) is an important area of Machine Learning (ML) where computer programs are generated automatically. Swarm Programming (SP), a newly emerging research area in AP, automatically generates the computer programs using Swarm Intelligence (SI) algorithms. This paper presents two grammar-based SP methods named as Grammatical Moth-Flame Optimizer (GMFO) and Grammatical Whale Optimizer (GWO). The Moth-Flame Optimizer and Whale Optimization algorithm are used as search engines or learning algorithms in GMFO and GWO respectively. The proposed methods are tested on Santa Fe Ant Trail, quartic symbolic regression, and 3-input multiplexer problems. The results are compared with Grammatical Bee Colony (GBC) and Grammatical Fireworks algorithm (GFWA). The experimental results demonstrate that the proposed SP methods can be used in automatic computer program generation.
• Abstract（参考訳）: 自動プログラミング(AP)は、コンピュータプログラムが自動的に生成される機械学習(ML)の重要な領域である。 新たな研究領域であるSwarm Programming (SP)は、Swarm Intelligence (SI)アルゴリズムを使用して自動的にコンピュータプログラムを生成する。 本稿では,gmfo(grammatical moth-flame optimizer)とgwo(grammatical whale optimizer)という2つの文法に基づくsp法を提案する。 モースフラムオプティマイザと鯨最適化アルゴリズムは、それぞれgmfoとgwoの検索エンジンまたは学習アルゴリズムとして使用される。 提案手法は, サンタフェ・アント・トレイル, クォート記号回帰, 3入力多重化問題で検証される。 実験結果は,文法蜂コロニー (gbc) と文法花火アルゴリズム (gfwa) と比較した。 実験結果は,提案手法がコンピュータプログラムの自動生成に有効であることを示す。

関連論文リスト

• The Firefighter Algorithm: A Hybrid Metaheuristic for Optimization Problems [3.2432648012273346]
  The Firefighter Optimization (FFO) algorithm is a new hybrid metaheuristic for optimization problem。 FFOの性能を評価するため、FFOは13の最適化アルゴリズムに対して広範な実験を行った。 その結果、FFOは比較性能を達成し、いくつかのシナリオでは、得られた適合性、正確性に要する時間、時間単位でカバーされる研究空間の点で、一般的に採用されている最適化アルゴリズムよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-01T18:38:59Z)
• Enhancing Machine Learning Model Performance with Hyper Parameter Optimization: A Comparative Study [0.0]
  機械学習における最も重要な問題のひとつは、トレーニングモデルに適切なハイパーパラメータの選択である。 ハイパーパラメータ最適化(HPO)は、人工知能研究が最近注目している話題である。 本研究では,グリッドやランダム探索,ベイズ最適化などの古典的手法,遺伝的アルゴリズムや粒子群最適化といった人口ベースアルゴリズムについて論じる。
  論文  参考訳（メタデータ） (2023-02-14T10:12:10Z)
• MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data Challenge [110.7678032481059]
  第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。 この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。 この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-09-22T16:44:59Z)
• A new Sparse Auto-encoder based Framework using Grey Wolf Optimizer for Data Classification Problem [0.0]
  列車のスパースオートエンコーダにグレーオオカミ最適化(GWO)を適用する。 モデルは、いくつかの人気のあるGene式データベースを使用することで検証される。 その結果、GWOを用いた学習モデルの性能は、一般的なメタヒューリスティックアルゴリズムで訓練された従来のモデルとモデルの両方で優れていた。
  論文  参考訳（メタデータ） (2022-01-29T04:28:30Z)
• Duck swarm algorithm: theory, numerical optimization, and applications [6.244015536594532]
  本研究では,Duck Swarm Algorithm (DSA) という,群知能に基づく最適化アルゴリズムを提案する。 2つのルールは、提案されたDSAの探索と利用段階に対応するアヒルの餌の発見と採餌からモデル化される。 その結果, DSAは収束速度と探索・探索のバランスの観点から, 高性能な最適化手法であることがわかった。
  論文  参考訳（メタデータ） (2021-12-27T04:53:36Z)
• ANA: Ant Nesting Algorithm for Optimizing Real-World Problems [21.95618652596178]
  アリネストアルゴリズム(ANA)と呼ばれる新しいインテリジェントスワムの提案 このアルゴリズムはLeptothorax antsにインスパイアされ、新しい巣を作りながら穀物を堆積する位置を探すアリの行動を模倣している。 ANAは、変更率を追加することで、検索エージェントの位置を更新する連続アルゴリズムであると考えられている。
  論文  参考訳（メタデータ） (2021-12-04T08:55:06Z)
• Searching for More Efficient Dynamic Programs [61.79535031840558]
  本稿では,プログラム変換の集合,変換プログラムの効率を評価するための単純な指標,およびこの指標を改善するための探索手順について述べる。 実際に、自動検索は初期プログラムの大幅な改善を見出すことができることを示す。
  論文  参考訳（メタデータ） (2021-09-14T20:52:55Z)
• 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)
• Waypoint Planning Networks [66.72790309889432]
  本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。 我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。 WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
  論文  参考訳（メタデータ） (2021-05-01T18:02:01Z)
• PyGlove: Symbolic Programming for Automated Machine Learning [88.15565138144042]
  シンボリックプログラミングに基づくAutoMLの新しいプログラミング方法を紹介します。 このパラダイムでは、MLプログラムは変更可能であるため、他のプログラムで簡単に操作できます。 PyGloveユーザーは、静的プログラムを検索空間に簡単に変換し、検索空間と検索アルゴリズムをすばやく繰り返し、複雑な検索フローを作成できることを示しています。
  論文  参考訳（メタデータ） (2021-01-21T19:05:44Z)
• 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。