論文の概要: A Study of a Genetic Algorithm for Polydisperse Spray Flames
- arxiv url: http://arxiv.org/abs/2008.07397v1
- Date: Tue, 11 Aug 2020 10:17:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 11:05:40.008729
- Title: A Study of a Genetic Algorithm for Polydisperse Spray Flames
- Title（参考訳）: 多分散噴霧火炎に対する遺伝的アルゴリズムの一検討
- Authors: Daniel Engelsman
- Abstract要約: 遺伝的アルゴリズム(GA)は、高品質なソリューションの生成と最適化を可能にする強力なツールである。
本論では, 独特な燃焼問題に対する最適性を検討するために, GA機能を利用したい。
より正確には,iDSD(Initial Droplet size distribution)のどの形態が最適な火炎を保証してくれるか,という疑問に答えるために利用したい。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Modern technological advancements constantly push forward the human-machine
interaction. Evolutionary Algorithms (EA) are an machine learning (ML) subclass
inspired by the process of natural selection - Survival of the Fittest, as
stated by the Darwinian Theory of Evolution. The most notable algorithm in that
class is the Genetic Algorithm (GA) - a powerful heuristic tool which enables
the generation of a high-quality solutions to optimization problems. In recent
decades the algorithm underwent remarkable improvement, which adapted it into a
wide range of engineering problems, by heuristically searching for the optimal
solution. Despite being well-defined, many engineering problems may suffer from
heavy analytical entanglement when approaching the derivation process, as
required in classic optimization methods. Therefore, the main motivation here,
is to work around that obstacle. In this piece of work, I would like to harness
the GA capabilities to examine optimality with respect to a unique combustion
problem, in a way that was never performed before. To be more precise, I would
like to utilize it to answer the question : What form of an initial droplet
size distribution (iDSD) will guarantee an optimal flame ? To answer this
question, I will first provide a general introduction to the GA method, then
develop the combustion model, and eventually merge both into an optimization
problem.
- Abstract（参考訳）: 現代の技術進歩は、常に人間と機械の相互作用を推し進めている。
進化的アルゴリズム(Evolutionary Algorithms, EA)は、ダーウィン進化論(Darwinian Theory of Evolution)によって述べられている、自然選択の過程から着想を得た機械学習(ML)サブクラスである。
このクラスで最も注目すべきアルゴリズムは遺伝的アルゴリズム(GA)であり、最適化問題に対する高品質なソリューションの生成を可能にする強力なヒューリスティックツールである。
近年の数十年でアルゴリズムは著しく改善され、最適な解をヒューリスティックに探すことで幅広い工学的問題に適応した。
適切に定義されているにもかかわらず、多くの工学的問題は、古典的な最適化法で要求されるように、導出過程に近づく際に重い解析的絡み合いに悩まされる。
したがって、ここでの主な動機は、その障害を回避することです。
この作品では、GA機能を利用して、独特な燃焼問題に関する最適性を、これまで実施されなかった方法で検証したいと思います。
より正確に言うと、私はそれを使って質問に答えたい: 初期滴径分布(iDSD)のどの形態が最適な炎を保証できるか?
この質問に答えるために、まずga法の一般的な紹介を行い、次に燃焼モデルを開発し、最終的に両方を最適化問題にマージします。
関連論文リスト
- Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic
Algorithm for Solving Combinatorial Optimization Problems [1.8434042562191815]
遺伝的アルゴリズム(GA)は最適化問題の解法における効率性で知られている。
本稿では遺伝子工学の概念からインスピレーションを得るため,遺伝子工学アルゴリズム(GEA)と呼ばれる新しいメタヒューリスティックアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-28T13:05:30Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - 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) - Applications of Gaussian Mutation for Self Adaptation in Evolutionary
Genetic Algorithms [0.0]
1960年、ジョン・H・ホランドとその学生によって最初の遺伝的アルゴリズムが開発された。
本稿では,ガウス突然変異を応用した遺伝的アルゴリズムの数学的直観について検討する。
論文 参考訳（メタデータ） (2022-01-02T04:18:25Z) - An Accelerated Variance-Reduced Conditional Gradient Sliding Algorithm
for First-order and Zeroth-order Optimization [111.24899593052851]
条件勾配アルゴリズム(Frank-Wolfeアルゴリズムとも呼ばれる)は、最近、機械学習コミュニティで人気を取り戻している。
ARCSは、ゼロ階最適化において凸問題を解く最初のゼロ階条件勾配スライディング型アルゴリズムである。
1次最適化では、ARCSの収束結果は、勾配クエリのオラクルの数で、従来のアルゴリズムよりも大幅に優れていた。
論文 参考訳（メタデータ） (2021-09-18T07:08:11Z) - Evolving Evolutionary Algorithms using Linear Genetic Programming [0.0]
このモデルは線形遺伝的プログラミング(LGP)技術に基づいている。
機能最適化のためのいくつかの進化的アルゴリズム、トラベリングセールスマン問題、および擬似アサインメント問題は、検討されたモデルを用いて進化する。
論文 参考訳（メタデータ） (2021-08-21T19:15:07Z) - Learning Primal Heuristics for Mixed Integer Programs [5.766851255770718]
本研究は,機械学習を用いて効果的な霊長類を自動学習できるかどうかを考察する。
本稿では,最適化問題をグラフとして表現するための新しい手法を提案する。
可変解の予測はB&B法の新たな構成であるProbabilistic Branching with guided Depth-first Searchによって行われる。
論文 参考訳（メタデータ） (2021-07-02T06:46:23Z) - A Bi-Level Framework for Learning to Solve Combinatorial Optimization on
Graphs [91.07247251502564]
本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。
このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
論文 参考訳（メタデータ） (2021-06-09T09:18:18Z) - Learning to Optimize: A Primer and A Benchmark [94.29436694770953]
最適化への学習(L2O)は、機械学習を活用して最適化方法を開発する新しいアプローチです。
この記事では、継続的最適化のためのL2Oの総合的な調査とベンチマークを行う。
論文 参考訳（メタデータ） (2021-03-23T20:46:20Z) - AdaLead: A simple and robust adaptive greedy search algorithm for
sequence design [55.41644538483948]
我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。
AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
論文 参考訳（メタデータ） (2020-10-05T16:40:38Z) - Devolutionary genetic algorithms with application to the minimum
labeling Steiner tree problem [0.0]
本稿では、進化的遺伝的アルゴリズムを特徴付けるとともに、最小ラベル付けスタイナーツリー(MLST)問題を解く際の性能を評価する。
我々は、進化的アルゴリズムを、時間とともに超最適で実現不可能な解の集団を進化させることによって実現可能な解に到達する過程として定義する。
我々は, 交叉, 突然変異, 適合性などの古典的進化的概念が, 最適解, 最適解に到達するためにどのように適応できるかを示す。
論文 参考訳（メタデータ） (2020-04-18T13:27:28Z)
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。