論文の概要: A Diverse Clustering Particle Swarm Optimizer for Dynamic Environment:
To Locate and Track Multiple Optima
- arxiv url: http://arxiv.org/abs/2005.09551v1
- Date: Tue, 19 May 2020 16:12:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 13:30:08.261589
- Title: A Diverse Clustering Particle Swarm Optimizer for Dynamic Environment:
To Locate and Track Multiple Optima
- Title（参考訳）: 動的環境のための分散クラスタリング粒子群最適化:複数最適点の位置と追跡
- Authors: Zahid Iqbal, Waseem Shahzad
- Abstract要約: 我々は,複数の最適点の追跡と探索により,動的環境を効果的に処理する新しい効率的なアルゴリズムを提案する。
このアルゴリズムでは,探索空間の未発見領域を探索し,アルゴリズムの多様性を高める新しい手法が提案されている。
このアルゴリズムは、重なり合った粒子や重なり合った粒子を効果的に扱う方法も用いている。
- 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: In real life, mostly problems are dynamic. Many algorithms have been proposed
to handle the static problems, but these algorithms do not handle or poorly
handle the dynamic environment problems. Although, many algorithms have been
proposed to handle dynamic problems but still, there are some limitations or
drawbacks in every algorithm regarding diversity of particles and tracking of
already found optima. To overcome these limitations/drawbacks, we have proposed
a new efficient algorithm to handle the dynamic environment effectively by
tracking and locating multiple optima and by improving the diversity and
convergence speed of algorithm. In this algorithm, a new method has been
proposed which explore the undiscovered areas of search space to increase the
diversity of algorithm. This algorithm also uses a method to effectively handle
the overlapped and overcrowded particles. Branke has proposed moving peak
benchmark which is commonly used MBP in literature. We also have performed
different experiments on Moving Peak Benchmark. After comparing the
experimental results with different state of art algorithms, it was seen that
our algorithm performed more efficiently.
- Abstract（参考訳）: 実生活では、ほとんどの問題は動的です。
静的な問題を扱うために多くのアルゴリズムが提案されているが、これらのアルゴリズムは動的環境の問題に対処したり、うまく処理しない。
しかし、動的問題を扱うために多くのアルゴリズムが提案されているが、全てのアルゴリズムには、粒子の多様性や既に見つかったオプティマの追跡に関する制限や欠点がある。
これらの制限/引き戻しを克服するため,複数の最適点の追跡と配置,アルゴリズムの多様性と収束速度の向上により,動的環境を効果的に処理するアルゴリズムを提案する。
このアルゴリズムでは,探索空間の未発見領域を探索し,アルゴリズムの多様性を高める新しい手法が提案されている。
このアルゴリズムはまた、重複した過密粒子を効果的に処理する手法を用いる。
ブランクは文学で一般的に使われるmbpの移動ピークベンチマークを提案した。
また、Moving Peak Benchmarkでさまざまな実験を行ないました。
実験結果と異なる状態のアルゴリズムを比較した結果,より効率的に動作することがわかった。
関連論文リスト
- 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) - Quantum Inspired Chaotic Salp Swarm Optimization for Dynamic Optimization [4.44483539967295]
我々は量子コンピューティングの原理を統合するQSSOとして知られるSSAの変種について研究する。
カオス演算子は、変化への対応と個々の検索可能性の向上を保証するために量子コンピューティングで使用される。
約束通り、導入されたQCSSOは、DOPのライバルアルゴリズムとして発見される。
論文 参考訳（メタデータ） (2024-01-21T02:59:37Z) - Accelerated First-Order Optimization under Nonlinear Constraints [73.2273449996098]
我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。
これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
論文 参考訳（メタデータ） (2023-02-01T08:50:48Z) - A Metaheuristic Algorithm for Large Maximum Weight Independent Set
Problems [58.348679046591265]
ノード重み付きグラフが与えられたとき、ノード重みが最大となる独立した(相互に非隣接な)ノードの集合を見つける。
このアプリケーションで放送されるグラフの中には、数十万のノードと数億のエッジを持つ大きなものもあります。
我々は,不規則なランダム化適応検索フレームワークにおいてメタヒューリスティックな新しい局所探索アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-03-28T21:34:16Z) - 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) - Selection-Expansion: A Unifying Framework for Motion-Planning and
Diversity Search Algorithms [69.87173070473717]
本稿では,2つの多様性探索アルゴリズム,ノベルティ探索アルゴリズムとゴール探索処理アルゴリズムの特性について検討する。
mpアルゴリズムとの関係は、ポリシーパラメータ空間と結果空間の間のマッピングの滑らかさ、あるいは滑らかさの欠如が検索効率において重要な役割を担っていることを示している。
論文 参考訳（メタデータ） (2021-04-10T13:52:27Z) - 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) - Benchmarking Meta-heuristic Optimization [0.0]
多くのメタヒューリスティックアルゴリズムは非線形関数を解く際に非常に効率的である。
メタヒューリスティックアルゴリズムは、幅広い問題に適用できる問題に依存しない手法である。
論文 参考訳（メタデータ） (2020-07-27T12:25:31Z) - Fast and stable MAP-Elites in noisy domains using deep grids [1.827510863075184]
Deep-Grid MAP-ElitesはMAP-Elitesアルゴリズムの変種である。
この単純なアプローチは、適合性最適化の観点から競争性能を達成しつつ、動作記述子のノイズに対する耐性が著しく高いことを示す。
論文 参考訳（メタデータ） (2020-06-25T08:47:23Z) - Towards Dynamic Algorithm Selection for Numerical Black-Box
Optimization: Investigating BBOB as a Use Case [4.33419118449588]
シングルスウィッチな動的アルゴリズムの選択(dynAS)でさえ、大きな性能向上をもたらす可能性があることを示す。
また、dynASにおける重要な課題についても論じ、BBOBフレームワークがこれらを克服する上で有用なツールになり得ると論じる。
論文 参考訳（メタデータ） (2020-06-11T16:36:11Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z)
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。