論文の概要: A Novel Meta-Heuristic Optimization Algorithm Inspired by the Spread of
Viruses
- arxiv url: http://arxiv.org/abs/2006.06282v1
- Date: Thu, 11 Jun 2020 09:35:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 09:10:09.195717
- Title: A Novel Meta-Heuristic Optimization Algorithm Inspired by the Spread of
Viruses
- Title（参考訳）: ウイルスの拡散に触発された新しいメタヒューリスティック最適化アルゴリズム
- Authors: Zhixi Li and Vincent Tam
- Abstract要約: ウイルス拡散最適化(VSO)と呼ばれる,自然に着想を得たメタヒューリスティック最適化アルゴリズムを提案する。
VSOはホスト間のウイルスの拡散を緩やかに模倣し、多くの困難かつ継続的な最適化問題の解決に効果的に適用することができる。
- 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: According to the no-free-lunch theorem, there is no single meta-heuristic
algorithm that can optimally solve all optimization problems. This motivates
many researchers to continuously develop new optimization algorithms. In this
paper, a novel nature-inspired meta-heuristic optimization algorithm called
virus spread optimization (VSO) is proposed. VSO loosely mimics the spread of
viruses among hosts, and can be effectively applied to solving many challenging
and continuous optimization problems. We devise a new representation scheme and
viral operations that are radically different from previously proposed
virus-based optimization algorithms. First, the viral RNA of each host in VSO
denotes a potential solution for which different viral operations will help to
diversify the searching strategies in order to largely enhance the solution
quality. In addition, an imported infection mechanism, inheriting the searched
optima from another colony, is introduced to possibly avoid the prematuration
of any potential solution in solving complex problems. VSO has an excellent
capability to conduct adaptive neighborhood searches around the discovered
optima for achieving better solutions. Furthermore, with a flexible infection
mechanism, VSO can quickly escape from local optima. To clearly demonstrate
both its effectiveness and efficiency, VSO is critically evaluated on a series
of well-known benchmark functions. Moreover, VSO is validated on its
applicability through two real-world examples including the financial portfolio
optimization and optimization of hyper-parameters of support vector machines
for classification problems. The results show that VSO has attained superior
performance in terms of solution fitness, convergence rate, scalability,
reliability, and flexibility when compared to those results of the conventional
as well as state-of-the-art meta-heuristic optimization algorithms.
- Abstract（参考訳）: no-free-lunch定理によると、全ての最適化問題を最適に解くことのできるメタヒューリスティックアルゴリズムは存在しない。
これは多くの研究者が新しい最適化アルゴリズムを継続的に開発する動機となっている。
本稿では,ウイルス拡散最適化(VSO)と呼ばれる,自然に着想を得たメタヒューリスティック最適化アルゴリズムを提案する。
VSOはホスト間のウイルスの拡散を緩やかに模倣し、多くの困難かつ継続的な最適化問題の解決に効果的に適用することができる。
提案したウイルスベースの最適化アルゴリズムとは大きく異なる新しい表現方式とバイラル操作を考案する。
第一に、VSOの各宿主のウイルスRNAは、様々なウイルス操作が、解の質を大幅に向上させるために探索戦略の多様化に寄与する可能性を示す。
さらに、別のコロニーから探索されたオプティマを継承する輸入感染機構を導入し、複雑な問題を解決する際の潜在的なソリューションの未熟化を回避することができる。
VSOは、より良いソリューションを達成するために、発見された最適点周辺の適応的な近傍探索を行うことができる。
さらに、フレキシブルな感染機構により、VSOはすぐに局所的なオプティマから脱出することができる。
有効性と効率性の両方を明確に示すために、VSOはよく知られたベンチマーク関数で批判的に評価される。
さらに、VSOは、ファイナンシャルポートフォリオの最適化と、サポートベクトルマシンのハイパーパラメータの分類問題への最適化を含む、2つの実例を通して、その適用性を検証する。
以上の結果から,VSOは従来の結果や最先端のメタヒューリスティック最適化アルゴリズムと比較して,ソリューション適合性,収束率,スケーラビリティ,信頼性,柔軟性において優れた性能を示した。
関連論文リスト
- Social Distancing Induced Coronavirus Optimization Algorithm (COVO): Application to Multimodal Function Optimization and Noise Removal [0.0]
感染拡大のペースは、社会的距離を保てば遅くなる。
COVO最適化の主な動機は、より高速な収束で複雑な問題を解くことにより、様々なアプリケーションに対する大域的な解を得ることである。
論文 参考訳（メタデータ） (2024-11-26T10:09:36Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳（メタデータ） (2023-10-10T00:21:10Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Enhanced Opposition Differential Evolution Algorithm for Multimodal
Optimization [0.2538209532048866]
現実の問題は、本質的には複数の最適値からなるマルチモーダルである。
古典的な勾配に基づく手法は、目的関数が不連続あるいは微分不可能な最適化問題に対して失敗する。
我々は,MMOPを解くために,拡張オポポジション微分進化(EODE)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-23T16:18:27Z) - GPSAF: A Generalized Probabilistic Surrogate-Assisted Framework for
Constrained Single- and Multi-objective Optimization [7.8140593450932965]
本稿では,一般確率的サロゲート支援フレームワーク(GPSAF)を提案する。
GPSAFは、制約のない、制約のない、単目的および多目的最適化アルゴリズムの幅広いカテゴリに適用できる。
論文 参考訳（メタデータ） (2022-04-06T13:22:30Z) - VNE Strategy based on Chaotic Hybrid Flower Pollination Algorithm
Considering Multi-criteria Decision Making [12.361459296815559]
仮想ネットワーク埋め込み (Virtual Network Embedding, VNE) 問題に対するハイブリッド花の受粉アルゴリズムの設計戦略について論じる。
クロス操作は、グローバル検索を完了させるためにクロスポリン化操作を置き換えるために使用される。
従来のフィットネスベースの選択戦略の補完としてライフサイクルメカニズムが導入されている。
論文 参考訳（メタデータ） (2022-02-07T00:57:00Z) - An Online Prediction Approach Based on Incremental Support Vector
Machine for Dynamic Multiobjective Optimization [19.336520152294213]
インクリメンタルサポートベクトルマシン(ISVM)に基づく新しい予測アルゴリズムを提案する。
動的多目的最適化問題(DMOP)の解決をオンライン学習プロセスとして扱う。
提案アルゴリズムは動的多目的最適化問題に効果的に取り組むことができる。
論文 参考訳（メタデータ） (2021-02-24T08:51:23Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z) - Optimizing Wireless Systems Using Unsupervised and
Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。
本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文 参考訳（メタデータ） (2020-01-03T11:01:52Z)
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。