Fugu-MT 論文翻訳(概要): Semi-steady-state Jaya Algorithm

論文の概要: Semi-steady-state Jaya Algorithm

arxiv url: http://arxiv.org/abs/2007.06463v1
Date: Mon, 13 Jul 2020 15:54:36 GMT
ステータス: 処理完了
システム内更新日: 2022-11-10 23:33:11.495719
Title: Semi-steady-state Jaya Algorithm
Title（参考訳）: 半定常Jayaアルゴリズム
Authors: Uday K. Chakraborty
Abstract要約: Jayaアルゴリズムは、進化計算ファミリーの最新のメンバーの中で、おそらく最も早く進化するメタヒューリスティックの1つである。本稿では, 最善者, 最悪者の更新戦略を改良し, 改良されたJayaアルゴリズムを提案する。
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: The Jaya algorithm is arguably one of the fastest-emerging metaheuristics amongst the newest members of the evolutionary computation family. The present paper proposes a new, improved Jaya algorithm by modifying the update strategies of the best and the worst members in the population. Simulation results on a twelve-function benchmark test-suite as well as a real-world problem of practical importance show that the proposed strategy produces results that are better and faster in the majority of cases. Statistical tests of significance are used to validate the performance improvement.
Abstract（参考訳）: Jayaアルゴリズムは、進化計算ファミリーの最新のメンバーの中で、おそらく最も早く進化するメタヒューリスティックの1つである。本稿では,人口の最も良いメンバーと最悪のメンバーの更新戦略を変更することにより,新しい改良されたjayaアルゴリズムを提案する。 12機能ベンチマークのシミュレーション結果と実践的重要性の現実的な問題から,提案手法がほとんどの場合,より良く,より高速な結果を生み出すことが示唆された。重要な統計テストは、パフォーマンス改善を検証するために使用されます。

関連論文リスト

Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
論文参考訳（メタデータ） (2024-11-07T17:05:31Z)
Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。 WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
論文参考訳（メタデータ） (2024-10-28T04:47:39Z)
A Novel Ranking Scheme for the Performance Analysis of Stochastic Optimization Algorithms using the Principles of Severity [9.310464457958844]
複数の単目的最適化問題に対してアルゴリズムをランク付けする新しいランキング方式を提案する。アルゴリズムの結果は、ロバストなブートストラップに基づく仮説テスト手法を用いて比較される。
論文参考訳（メタデータ） (2024-05-31T19:35:34Z)
HARRIS: Hybrid Ranking and Regression Forests for Algorithm Selection [75.84584400866254]
両アプローチの強みを両アプローチの弱さを緩和しつつ組み合わせ, 特殊林を利用した新しいアルゴリズムセレクタを提案する。 HARRISの決定は、ハイブリッドランキングと回帰損失関数に基づいて最適化された木を作成する森林モデルに基づいている。
論文参考訳（メタデータ） (2022-10-31T14:06:11Z)
Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文参考訳（メタデータ） (2022-10-02T05:03:38Z)
Regret Bounds for Expected Improvement Algorithms in Gaussian Process Bandit Optimization [63.8557841188626]
期待されている改善(EI)アルゴリズムは、不確実性の下で最適化するための最も一般的な戦略の1つである。本稿では,GP予測平均を通した標準既存値を持つEIの変種を提案する。我々のアルゴリズムは収束し、$mathcal O(gamma_TsqrtT)$の累積後悔境界を達成することを示す。
論文参考訳（メタデータ） (2022-03-15T13:17:53Z)
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)
Dynamic Cat Swarm Optimization Algorithm for Backboard Wiring Problem [0.9990687944474739]
本稿では,動的キャット群最適化(Dynamic Cat Swarm Optimization)と呼ばれる,強力な群知能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。提案アルゴリズムは,アルゴリズムの選択スキームと探索モードを変更することにより,これらの位相間の適切なバランスを与える新しい手法を提案する。最適化の結果,提案アルゴリズムの有効性が示された。
論文参考訳（メタデータ） (2021-04-27T19:41:27Z)
Benchmarking Simulation-Based Inference [5.3898004059026325]
確率的モデリングの最近の進歩は、確率の数値的評価を必要としないシミュレーションに基づく推論アルゴリズムを多数もたらした。推論タスクと適切なパフォーマンス指標を備えたベンチマークを,アルゴリズムの初期選択とともに提供する。性能指標の選択は重要であり、最先端のアルゴリズムでさえ改善の余地があり、逐次推定によりサンプリング効率が向上することがわかった。
論文参考訳（メタデータ） (2021-01-12T18:31:22Z)
A new evolutionary algorithm: Learner performance based behavior algorithm [1.1802674324027231]
本稿では,Learner Performance Based Behavior Algorithm (LPB) と呼ばれる新しい進化的アルゴリズムを提案する。 LPBの基本的なインスピレーションは、大学の様々な部署の高校の大学院生を受け入れる過程に端を発する。提案アルゴリズムの結果は,DA,GA,PSOと比較される。
論文参考訳（メタデータ） (2020-09-05T04:17:35Z)
Time Efficiency in Optimization with a Bayesian-Evolutionary Algorithm [13.66850118870667]
すべての生成とテストの検索アルゴリズムが等しく作られているわけではないことを示す。本稿では,ベイズ最適化と進化的アルゴリズムを組み合わせた新しいアルゴリズムBEAを提案する。その結果、BEA は BO と EA の両方を時間効率で上回り、最終的には多くの局所最適値を持つよく知られたベンチマーク対象関数の性能が向上することがわかった。
論文参考訳（メタデータ） (2020-05-04T15:29:22Z)

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。