論文の概要: An Algorithm to find Superior Fitness on NK Landscapes under High Complexity: Muddling Through

• arxiv url: http://arxiv.org/abs/2006.08333v2
• Date: Mon, 7 Sep 2020 12:12:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 21:58:30.955081
• Title: An Algorithm to find Superior Fitness on NK Landscapes under High Complexity: Muddling Through
• Title（参考訳）: 高複雑さ下におけるNKランドスケープの上部適合性探索アルゴリズム
• Authors: Sasanka Sekhar Chanda and Sai Yayavaram
• Abstract要約: 高複雑性下では,本アルゴリズムは既存の研究で報告されているよりも優れた適合性が得られる。 我々はこのアルゴリズムをチャールズ・リンドブロム(Charles Lindblom)を記念し、洗練されたコンピュータシミュレーションが始まるずっと前にこのプロセスの有効性を発見したアルゴリズムと命名した。
• 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: Under high complexity - given by pervasive interdependence between constituent elements of a decision in an NK landscape - our algorithm obtains fitness superior to that reported in extant research. We distribute the decision elements comprising a decision into clusters. When a change in value of a decision element is considered, a forward move is made if the aggregate fitness of the cluster members residing alongside the decision element is higher. The decision configuration with the highest fitness in the path is selected. Increasing the number of clusters obtains even higher fitness. Further, implementing moves comprising of up to two changes in a cluster also obtains higher fitness. Our algorithm obtains superior outcomes by enabling more extensive search, allowing inspection of more distant configurations. We name this algorithm the muddling through algorithm, in memory of Charles Lindblom who spotted the efficacy of the process long before sophisticated computer simulations came into being.
• Abstract（参考訳）: NKランドスケープにおける決定を構成する要素間の広範囲な相互依存により、我々のアルゴリズムは、既存の研究で報告されているよりも優れた適合性を得る。 我々は、決定を構成する決定要素をクラスタに分散する。 判定要素の値の変化を考慮した場合、判定要素に沿って居住するクラスタ部材の集合適合度が高い場合には前方移動を行う。 経路内の適合度が最も高い判定構成が選択される。 クラスタ数が増加すると、さらに高い適合性が得られる。 さらに、クラスタ内の最大2つの変更からなる動作を実装することも、より高い適合性を得る。 本アルゴリズムは,より広範囲な探索が可能となり,より遠方の配置を検査することで,優れた結果を得る。 我々はこのアルゴリズムをチャールズ・リンドブロム(Charles Lindblom)を記念し、洗練されたコンピュータシミュレーションが始まるずっと前にこのプロセスの有効性を発見した。

関連論文リスト

• Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
  本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。 提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
  論文  参考訳（メタデータ） (2024-05-07T17:44:54Z)
• Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
  本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。 提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
  論文  参考訳（メタデータ） (2024-03-06T16:31:56Z)
• Multi-objective Binary Coordinate Search for Feature Selection [0.24578723416255746]
  大規模特徴選択問題の解法として,二元多目的座標探索(MOCS)アルゴリズムを提案する。 その結果,実世界の5つの大規模データセットにおいて,NSGA-IIよりも提案手法が優れていることが示唆された。
  論文  参考訳（メタデータ） (2024-02-20T00:50:26Z)
• NK Hybrid Genetic Algorithm for Clustering [7.4854762711225025]
  本稿では,クラスタリングのためのNKハイブリッド遺伝的アルゴリズムを提案する。 実験では、NKハイブリッド遺伝的アルゴリズムは、他の遺伝的アルゴリズムや最先端のクラスタリングアルゴリズムと比較して非常に良い結果を得た。
  論文  参考訳（メタデータ） (2024-02-06T08:57:49Z)
• Decision Diagram-Based Branch-and-Bound with Caching for Dominance and Suboptimality Detection [9.175779296469194]
  本稿では動的プログラミングモデルの構造を利用して探索を高速化する新しい要素を提案する。 鍵となる考え方は、検索中にキャッシュされた拡張しきい値に問い合わせることによって、同じ動的プログラミング状態に対応するノードの繰り返し拡張を防止することである。 このキャッシング機構によって引き起こされるプルーニングは、アルゴリズムによって拡張されたノード数を著しく削減できることを示す実験である。
  論文  参考訳（メタデータ） (2022-11-22T10:18:33Z)
• 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)
• A density peaks clustering algorithm with sparse search and K-d tree [16.141611031128427]
  この問題を解決するために,スパース探索とK-d木を用いた密度ピーククラスタリングアルゴリズムを開発した。 分散特性が異なるデータセット上で、他の5つの典型的なクラスタリングアルゴリズムと比較して実験を行う。
  論文  参考訳（メタデータ） (2022-03-02T09:29:40Z)
• Frequent Itemset-driven Search for Finding Minimum Node Separators in Complex Networks [61.2383572324176]
  本稿では,データマイニングにおける頻繁なアイテムセットマイニングの概念をよく知られたメメティック検索フレームワークに統合する,頻繁なアイテムセット駆動探索手法を提案する。 頻繁なアイテムセット組換え演算子を反復的に使用して、高品質なソリューションで頻繁に発生するアイテムセットに基づいた有望な子孫ソリューションを生成する。 特に、29個の新しい上界を発見し、以前の18個の最もよく知られた境界と一致する。
  論文  参考訳（メタデータ） (2022-01-18T11:16:40Z)
• Simple is better: Making Decision Trees faster using random sampling [4.284674689172996]
  近年,ビッグデータ上での堅牢な機械学習モデル構築において,勾配向上決定木が普及している。 理論的および実験的に、ランダムに分割点を均一に選択することは、精度と計算効率の点で、同じあるいはさらに優れた性能を提供することを示す。
  論文  参考訳（メタデータ） (2021-08-19T17:00:21Z)
• 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)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。