論文の概要: A Modular Hybridization of Particle Swarm Optimization and Differential Evolution

• arxiv url: http://arxiv.org/abs/2006.11886v1
• Date: Sun, 21 Jun 2020 19:32:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 11:58:54.423837
• Title: A Modular Hybridization of Particle Swarm Optimization and Differential Evolution
• Title（参考訳）: 粒子群最適化のモジュールハイブリッド化と微分進化
• Authors: Rick Boks, Hao Wang, Thomas B\"ack
• Abstract要約: 本稿では,各アルゴリズムをモジュール化し,その変種を対応するモジュールの異なる選択肢として組み込むことにより,PSOやDEの変種を組み合わせることを提案する。 結果として、PSODEと呼ばれる新しいハイブリダイゼーションは、両側から最新の変種の大半を包含する。 より詳しくは、既存のPSO-とDEアルゴリズムから派生した16種類の変分演算子について考察し、4つの異なる選択演算子と組み合わせることで、ハイブリダイゼーションフレームワークが800個の新しいアルゴリズムを生成できるようにする。
• 参考スコア（独自算出の注目度）: 3.9430294028981763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In swarm intelligence, Particle Swarm Optimization (PSO) and Differential Evolution (DE) have been successfully applied in many optimization tasks, and a large number of variants, where novel algorithm operators or components are implemented, has been introduced to boost the empirical performance. In this paper, we first propose to combine the variants of PSO or DE by modularizing each algorithm and incorporating the variants thereof as different options of the corresponding modules. Then, considering the similarity between the inner workings of PSO and DE, we hybridize the algorithms by creating two populations with variation operators of PSO and DE respectively, and selecting individuals from those two populations. The resulting novel hybridization, called PSODE, encompasses most up-to-date variants from both sides, and more importantly gives rise to an enormous number of unseen swarm algorithms via different instantiations of the modules therein. In detail, we consider 16 different variation operators originating from existing PSO- and DE algorithms, which, combined with 4 different selection operators, allow the hybridization framework to generate 800 novel algorithms. The resulting set of hybrid algorithms, along with the combined 30 PSO- and DE algorithms that can be generated with the considered operators, is tested on the 24 problems from the well-known COCO/BBOB benchmark suite, across multiple function groups and dimensionalities.
• Abstract（参考訳）: スウォームインテリジェンスでは、多くの最適化タスクにおいて、Particle Swarm Optimization (PSO) と Differential Evolution (DE) がうまく適用されており、新しいアルゴリズム演算子やコンポーネントが実装された多くの変種が経験的性能を高めるために導入された。 本稿では,まず,各アルゴリズムをモジュール化し,その変形を対応するモジュールの異なる選択肢として組み込むことにより,psoやdeの変種を組み合わせることを提案する。 そこで, PSO と DE の内積の類似性を考慮すると, PSO と DE の変動演算子を持つ2つの集団を生成し, これら2つの集団から個人を選択することによって,アルゴリズムをハイブリダイズする。 psodeと呼ばれる新しいハイブリダイゼーションは、両サイドの最新の変種を包含しており、さらに重要なことは、モジュールの異なるインスタンス化によって、膨大な数のswarmアルゴリズムを生み出している。 具体的には,既存のpsoアルゴリズムとdeアルゴリズムから派生した16種類の変分演算子を考察し,4種類の選択演算子を組み合わせることで,ハイブリダイゼーションフレームワークが800個の新しいアルゴリズムを生成することを可能とした。 結果として得られたハイブリッドアルゴリズムと、考慮された演算子で生成できる30のPSOとDEアルゴリズムの組み合わせは、よく知られたCOCO/BBOBベンチマークスイートから、複数の関数群と次元にわたって24の問題をテストした。

関連論文リスト

• Integrating Chaotic Evolutionary and Local Search Techniques in Decision Space for Enhanced Evolutionary Multi-Objective Optimization [1.8130068086063336]
  本稿では,SOMMOP(Single-Objective Multi-Modal Optimization)とMOO(Multi-Objective Optimization)の両方に焦点を当てる。 SOMMOPではニッチ技術とカオス進化を統合し,ガウス突然変異を併用したパーシスタンス・クラスタリングを行った。 MOOでは,これらの手法を不確実性に基づく選択,適応的チューニングを組み込んだ包括的フレームワークに拡張し,決定論的群集に半径(R)の概念を導入する。
  論文  参考訳（メタデータ） (2024-11-12T15:18:48Z)
• Non-Dominated Sorting Bidirectional Differential Coevolution [0.0]
  本稿では、微分進化(DE)を伴う双方向共進化アルゴリズム(BiCo)の変種を提案する。 このモデルの新規性には、主検索エンジンとしてのDE差分変異とクロスオーバー演算子、および非支配的なソート選択スキームが含まれる。 2つのベンチマークテストスイートと8つの実世界のCMOPの実験結果から、提案モデルが元のモデルよりも全体的な性能に到達したことが示唆された。
  論文  参考訳（メタデータ） (2024-10-25T09:58:15Z)
• Individualized Privacy Accounting via Subsampling with Applications in Combinatorial Optimization [55.81991984375959]
  本研究では、以下の簡単な観察を通して、個別化されたプライバシ会計を解析する新しい手法を提案する。 我々は、分解可能な部分モジュラーおよびセットアルゴリズム被覆を含む、プライベート最適化問題に対するいくつかの改良されたアルゴリズムを得る。
  論文  参考訳（メタデータ） (2024-05-28T19:02:30Z)
• A novel multiobjective evolutionary algorithm based on decomposition and multi-reference points strategy [14.102326122777475]
  分解に基づく多目的進化アルゴリズム(MOEA/D)は、多目的最適化問題(MOP)を解く上で、極めて有望なアプローチであると考えられている。 本稿では,よく知られたPascoletti-Serafiniスキャラライゼーション法とマルチ参照ポイントの新たな戦略により,MOEA/Dアルゴリズムの改良を提案する。
  論文  参考訳（メタデータ） (2021-10-27T02:07:08Z)
• Chaos inspired Particle Swarm Optimization with Levy Flight for Genome Sequence Assembly [0.0]
  本稿では、置換最適化問題に対処するため、新しいPSOの変種を提案する。 PSOはChaos and Levy Flight (ランダムウォークアルゴリズム)と統合され、アルゴリズムの探索と利用能力のバランスをとる。 論文で提案する他のPSOの変種と比較して,提案手法の性能を評価するための実証実験を行った。
  論文  参考訳（メタデータ） (2021-10-20T15:24:27Z)
• Result Diversification by Multi-objective Evolutionary Algorithms with Theoretical Guarantees [94.72461292387146]
  両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。 GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。 目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
  論文  参考訳（メタデータ） (2021-10-18T14:00:22Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• Hybrid Henry Gas Solubility Optimization Algorithm with Dynamic Cluster-to-Algorithm Mapping for Search-based Software Engineering Problems [1.0323063834827413]
  本稿ではHenry Gas Solubility Optimization(HGSO)アルゴリズムの新しい変種であるHGSO(Hybrid HGSO)について述べる。 前者とは異なり、HHGSOは異なるメタヒューリスティックアルゴリズムを提供する複数のクラスタを同じ集団内で共存させることができる。 HHGSOは、適応的な切替係数を持つペナル化および報酬モデルによる動的クラスタ-アルゴリズムマッピングを発明し、メタヒューリスティックなハイブリダイゼーションのための新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2021-05-31T12:42:15Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• 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)
• GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal Black Box Constraint Satisfaction [69.94831587339539]
  本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。 我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
  論文  参考訳（メタデータ） (2020-02-17T20:21:20Z)

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。