Fugu-MT 論文翻訳(概要): Particle Swarm Optimization with Velocity Restriction and Evolutionary Parameters Selection for Scheduling Problem

論文の概要: Particle Swarm Optimization with Velocity Restriction and Evolutionary Parameters Selection for Scheduling Problem

arxiv url: http://arxiv.org/abs/2006.10935v1
Date: Fri, 19 Jun 2020 02:28:57 GMT
ステータス: 処理完了
システム内更新日: 2022-11-19 03:28:58.390743
Title: Particle Swarm Optimization with Velocity Restriction and Evolutionary Parameters Selection for Scheduling Problem
Title（参考訳）: 速度制限と進化パラメータによるスケジューリング問題に対するパーティクルスワーム最適化
Authors: Pavel Matrenin, Viktor Sekaev
Abstract要約: 本稿では,スケジューリング問題に対するParticle Swarm最適化手法について述べる。提案手法の性能向上のために,粒子速度の制限と進化的メタ最適化を実現した。
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: The article presents a study of the Particle Swarm optimization method for scheduling problem. To improve the method's performance a restriction of particles' velocity and an evolutionary meta-optimization were realized. The approach proposed uses the Genetic algorithms for selection of the parameters of Particle Swarm optimization. Experiments were carried out on test tasks of the job-shop scheduling problem. This research proves the applicability of the approach and shows the importance of tuning the behavioral parameters of the swarm intelligence methods to achieve a high performance.
Abstract（参考訳）: 本稿では,スケジューリング問題に対するParticle Swarm最適化手法について述べる。提案手法の性能向上のために,粒子速度の制限と進化的メタ最適化を実現した。提案手法は粒子群最適化のパラメータの選択に遺伝的アルゴリズムを用いる。ジョブショップスケジューリング問題のテストタスクについて実験を行った。本研究は,本手法の適用性を実証し,Swarmインテリジェンス手法の行動パラメータを調整して高い性能を実現することの重要性を示す。

関連論文リスト

An investigation on the use of Large Language Models for hyperparameter tuning in Evolutionary Algorithms [4.0998481751764]
最適化ログをオンラインで分析するために,オープンソースのLarge Language Models (LLM) を2つ採用している。本研究では, (1+1)-ESのステップサイズ適応の文脈におけるアプローチについて検討する。
論文参考訳（メタデータ） (2024-08-05T13:20:41Z)
Optimization of Discrete Parameters Using the Adaptive Gradient Method and Directed Evolution [49.1574468325115]
最適解の探索は、個人の集団によって行われる。適応していない個体は死に、最適な個体は交配し、結果として進化力学が導かれた。
論文参考訳（メタデータ） (2024-01-12T15:45:56Z)
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)
Socio-cognitive Optimization of Time-delay Control Problems using Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文参考訳（メタデータ） (2022-10-23T22:21:10Z)
Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
統計的決定論の研究からシャノンエントロピーの一般化を考える。まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
論文参考訳（メタデータ） (2022-10-04T04:43:58Z)
Learning adaptive differential evolution algorithm from optimization experiences by policy gradient [24.2122434523704]
本稿では,一連の問題に対する最適化経験から学習した適応パラメータ制御手法を提案する。提案した微分進化の制御パラメータを適応的に提供できるエージェントを学習するために、強化学習アルゴリズム、名前付きポリシーを適用した。提案アルゴリズムは、CEC'13とCEC'17テストスイートでよく知られた9つの進化的アルゴリズムと競合して動作する。
論文参考訳（メタデータ） (2021-02-06T12:01:20Z)
Particle Swarm Optimization: Fundamental Study and its Application to Optimization and to Jetty Scheduling Problems [0.0]
従来の手法に関する進化的アルゴリズムの利点は、文献で大いに議論されている。粒子群はそのような利点を共有しているが、計算コストの低減と実装の容易さが要求されるため、進化的アルゴリズムよりも優れている。本論文は, それらのチューニングについて検討するものではなく, 従来の研究から汎用的な設定を抽出し, 様々な問題を最適化するために, 事実上同じアルゴリズムを用いている。
論文参考訳（メタデータ） (2021-01-25T02:06:30Z)
Hyper-parameter estimation method with particle swarm optimization [0.8883733362171032]
PSO法はハイパーパラメータ推定の問題では直接利用できない。提案手法は,Swarm法を用いて取得関数の性能を最適化する。いくつかの問題の結果が改善された。
論文参考訳（メタデータ） (2020-11-24T07:51:51Z)
Sequential Subspace Search for Functional Bayesian Optimization Incorporating Experimenter Intuition [63.011641517977644]
本アルゴリズムは,実験者のガウス過程から引き出された一組の引き数で区切られた関数空間の有限次元ランダム部分空間列を生成する。標準ベイズ最適化は各部分空間に適用され、次の部分空間の出発点(オリジン)として用いられる最良の解である。シミュレーションおよび実世界の実験,すなわちブラインド関数マッチング,アルミニウム合金の最適析出強化関数の探索,深層ネットワークの学習速度スケジュール最適化において,本アルゴリズムを検証した。
論文参考訳（メタデータ） (2020-09-08T06:54:11Z)
IDEAL: Inexact DEcentralized Accelerated Augmented Lagrangian Method [64.15649345392822]
本稿では,局所関数が滑らかで凸な分散最適化環境下での原始的手法設計のためのフレームワークを提案する。提案手法は,加速ラグランジアン法により誘導されるサブプロブレム列を概ね解いたものである。加速度勾配降下と組み合わせることで,収束速度が最適で,最近導出された下界と一致した新しい原始アルゴリズムが得られる。
論文参考訳（メタデータ） (2020-06-11T18:49:06Z)
On Hyper-parameter Tuning for Stochastic Optimization Algorithms [28.88646928299302]
本稿では,強化学習に基づく最適化アルゴリズムのハイパーパラメータをチューニングするための,最初のアルゴリズムフレームワークを提案する。提案フレームワークはアルゴリズムにおけるハイパーパラメータチューニングの標準ツールとして利用できる。
論文参考訳（メタデータ） (2020-03-04T12:29:12Z)

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。