論文の概要: A Study of the Fundamental Parameters of Particle Swarm Optimizers
- arxiv url: http://arxiv.org/abs/2101.10326v1
- Date: Mon, 25 Jan 2021 01:18:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 00:29:59.021891
- Title: A Study of the Fundamental Parameters of Particle Swarm Optimizers
- Title（参考訳）: 粒子群最適化器の基本パラメータに関する研究
- Authors: Mauro S. Innocente, Johann Sienz
- Abstract要約: 集団ベースのアルゴリズムは、適応をほとんど、あるいは全く行わずに、異なる最適化問題を扱うことができる。
主な欠点は、計算コストが比較的高く、等式制約を扱うのが困難であることである。
本稿では,粒子の速度更新方程式のパラメータ設定が系の挙動に及ぼす影響を論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The range of applications of traditional optimization methods are limited by
the features of the object variables, and of both the objective and the
constraint functions. In contrast, population-based algorithms whose
optimization capabilities are emergent properties, such as evolutionary
algorithms and particle swarm optimization, present almost no restriction on
those features and can handle different optimization problems with few or no
adaptations. Their main drawbacks consist of their comparatively higher
computational cost and difficulty in handling equality constraints. The
particle swarm optimization method is sometimes viewed as an evolutionary
algorithm because of their many similarities, despite not being inspired by the
same metaphor: they evolve a population of individuals taking into account
previous experiences and using stochastic operators to introduce new responses.
The advantages of evolutionary algorithms with respect to traditional methods
have been greatly discussed in the literature for decades. While the particle
swarm optimizers share such advantages, their main desirable features when
compared to evolutionary algorithms are their lower computational cost and
easier implementation, involving no operator design and few parameters to be
tuned. However, even slight modifications of these parameters greatly influence
the dynamics of the swarm. This paper deals with the effect of the settings of
the parameters of the particles' velocity update equation on the behaviour of
the system.
- Abstract（参考訳）: 従来の最適化手法の応用範囲は、オブジェクト変数の特徴と目的関数と制約関数の両方によって制限される。
対照的に、進化的アルゴリズムや粒子群最適化のような創発的特性を持つ集団ベースのアルゴリズムは、これらの特徴にほとんど制限がなく、適応がほとんどあるいは全くない異なる最適化問題に対処できる。
主な欠点は、計算コストが比較的高く、等式制約を扱うのが難しいことである。
粒子群最適化法は、同じ比喩にインスピレーションを受けていないにもかかわらず、多くの類似性のために進化的アルゴリズムと見なされることがある。
従来の手法に関する進化的アルゴリズムの利点は、数十年にわたって文献で大いに議論されてきた。
パーティクルスワムオプティマイザはそのような利点を共有しているが、進化的アルゴリズムと比較して最も望ましい特徴は計算コストの低減と実装の容易さであり、演算子の設計や調整すべきパラメータが少ないことである。
しかし、これらのパラメータのわずかな変更でさえも、スウォームのダイナミクスに大きな影響を与えている。
本稿では,粒子の速度更新方程式のパラメータ設定が系の挙動に及ぼす影響について述べる。
関連論文リスト
- Sample-efficient Bayesian Optimisation Using Known Invariances [56.34916328814857]
バニラと制約付きBOアルゴリズムは、不変目的を最適化する際の非効率性を示す。
我々はこれらの不変カーネルの最大情報ゲインを導出する。
核融合炉用電流駆動システムの設計に本手法を用い, 高性能溶液の探索を行った。
論文 参考訳（メタデータ） (2024-10-22T12:51:46Z) - Adaptive Preference Scaling for Reinforcement Learning with Human Feedback [103.36048042664768]
人間からのフィードバックからの強化学習(RLHF)は、AIシステムと人間の価値を合わせるための一般的なアプローチである。
本稿では,分散ロバスト最適化(DRO)に基づく適応的優先損失を提案する。
提案手法は多用途であり,様々な選好最適化フレームワークに容易に適用可能である。
論文 参考訳（メタデータ） (2024-06-04T20:33:22Z) - Frog-Snake prey-predation Relationship Optimization (FSRO) : A novel nature-inspired metaheuristic algorithm for feature selection [0.0]
本研究では,Frog-Snake prey-predation Relationship Optimization (FSRO)アルゴリズムを提案する。
カエルとヘビの捕食関係から着想を得て、離散最適化問題に適用した。
提案アルゴリズムは26種類の機械学習データセットを用いて特徴選択に関する計算実験を行う。
論文 参考訳（メタデータ） (2024-02-13T06:39:15Z) - Optimal Static Mutation Strength Distributions for the $(1+\lambda)$
Evolutionary Algorithm on OneMax [1.0965065178451106]
人口が十分に大きくなると、このような最適な分布は驚くほど複雑で直感に反する可能性がある。
人口が十分に大きくなると、このような最適な分布は驚くほど複雑で直感に反する可能性がある。
論文 参考訳（メタデータ） (2021-02-09T16:56:25Z) - 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) - Particle Swarm Optimization: Development of a General-Purpose Optimizer [0.0]
粒子群最適化(PSO)法は、多くの類似性のため、別の進化的アルゴリズムと見なされることがある。
本稿では, パラメータのチューニングがシステムの動作に与える影響, 検出した解の信頼性を推定し, 計算コストを抑えるための停止基準の設計について述べる。
論文 参考訳（メタデータ） (2021-01-25T00:35:18Z) - Divide and Learn: A Divide and Conquer Approach for Predict+Optimize [50.03608569227359]
予測+最適化問題は、予測係数を使用する最適化プロブレムと、確率係数の機械学習を組み合わせる。
本稿では, 予測係数を1次線形関数として, 最適化問題の損失を直接表現する方法を示す。
本稿では,この制約を伴わずに最適化問題に対処し,最適化損失を用いてその係数を予測する新しい分割アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-04T00:26:56Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z) - 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) - Using models to improve optimizers for variational quantum algorithms [1.7475326826331605]
変分量子アルゴリズムは、ノイズの多い中間スケール量子コンピュータの初期応用の第一候補である。
これらのアルゴリズムは、パラメータ化量子回路の機能を最小化する古典的な最適化外ループに依存している。
本稿では,2つの最適化手法を導入し,その性能を今日の一般的な手法と数値的に比較する。
論文 参考訳（メタデータ） (2020-05-22T05:23:23Z) - Global Optimization of Gaussian processes [52.77024349608834]
少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。
このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。
提案手法の順序の順序による時間収束を,総じて低減する。
論文 参考訳（メタデータ） (2020-05-21T20:59:11Z)
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。