論文の概要: Optimal Static Mutation Strength Distributions for the $(1+\lambda)$
Evolutionary Algorithm on OneMax
- arxiv url: http://arxiv.org/abs/2102.04944v2
- Date: Fri, 4 Jun 2021 01:58:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-12 03:17:16.222996
- Title: Optimal Static Mutation Strength Distributions for the $(1+\lambda)$
Evolutionary Algorithm on OneMax
- Title（参考訳）: onemax上の$(1+\lambda)$進化アルゴリズムの最適静的突然変異強度分布
- Authors: Maxim Buzdalov and Carola Doerr
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.0965065178451106
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most evolutionary algorithms have parameters, which allow a great flexibility
in controlling their behavior and adapting them to new problems. To achieve the
best performance, it is often needed to control some of the parameters during
optimization, which gave rise to various parameter control methods. In recent
works, however, similar advantages have been shown, and even proven, for
sampling parameter values from certain, often heavy-tailed, fixed
distributions. This produced a family of algorithms currently known as "fast
evolution strategies" and "fast genetic algorithms".
However, only little is known so far about the influence of these
distributions on the performance of evolutionary algorithms, and about the
relationships between (dynamic) parameter control and (static) parameter
sampling. We contribute to the body of knowledge by presenting, for the first
time, an algorithm that computes the optimal static distributions, which
describe the mutation operator used in the well-known simple $(1+\lambda)$
evolutionary algorithm on a classic benchmark problem OneMax. We show that, for
large enough population sizes, such optimal distributions may be surprisingly
complicated and counter-intuitive. We investigate certain properties of these
distributions, and also evaluate the performance regrets of the $(1+\lambda)$
evolutionary algorithm using commonly used mutation distributions.
- Abstract（参考訳）: ほとんどの進化的アルゴリズムはパラメータを持ち、それによってその振る舞いを制御し、新しい問題に適応できる。
最適な性能を得るためには、最適化中にいくつかのパラメータを制御する必要があることがしばしばあり、様々なパラメータ制御法を生み出した。
しかし、近年の研究では、特定の重み付き固定分布からパラメータ値をサンプリングするために、同様の利点が示され、証明されている。
これは現在「高速進化戦略」や「高速遺伝的アルゴリズム」として知られているアルゴリズム群を生み出した。
しかし、これらの分布が進化的アルゴリズムの性能に与える影響や、(動的)パラメータ制御と(静的)パラメータサンプリングの関係についてはほとんど知られていない。
従来のベンチマーク問題OneMaxでよく知られた単純な$(1+\lambda)$進化アルゴリズムで使われる突然変異演算子を記述した,最適な静的分布を計算するアルゴリズムを初めて提示することにより,知識の体系に貢献する。
十分な人口規模において、このような最適分布は驚くほど複雑で直観に反する可能性がある。
これらの分布の特定の性質を調査し,一般的な変異分布を用いた1+\lambda)$進化アルゴリズムの性能評価を行った。
関連論文リスト
- Already Moderate Population Sizes Provably Yield Strong Robustness to Noise [53.27802701790209]
2つの進化的アルゴリズムは、OneMaxベンチマークのランタイムを増大させることなく、一定のノイズ確率を許容できることを示す。
この結果は、ノイズのない子孫は親と騒々しい子孫の間に偏りのある均一な交叉と見なすことができるという、新しい証明の議論に基づいている。
論文 参考訳（メタデータ） (2024-04-02T16:35:52Z) - Gradient-free optimization of highly smooth functions: improved analysis
and a new algorithm [87.22224691317766]
この研究は、目的関数が極めて滑らかであるという仮定の下で、ゼロ次ノイズオラクル情報による問題を研究する。
ゼロオーダー射影勾配勾配アルゴリズムを2種類検討する。
論文 参考訳（メタデータ） (2023-06-03T17:05:13Z) - Fast Computation of Optimal Transport via Entropy-Regularized Extragradient Methods [75.34939761152587]
2つの分布間の最適な輸送距離の効率的な計算は、様々な応用を促進するアルゴリズムとして機能する。
本稿では,$varepsilon$加法精度で最適な輸送を計算できるスケーラブルな一階最適化法を提案する。
論文 参考訳（メタデータ） (2023-01-30T15:46:39Z) - Massively Parallel Genetic Optimization through Asynchronous Propagation
of Populations [50.591267188664666]
Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。
提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。
Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
論文 参考訳（メタデータ） (2023-01-20T18:17:34Z) - Adaptive Random Quantum Eigensolver [0.0]
本稿では,乱数生成器の確率密度関数のパラメータ化と最適化を行う一般手法を提案する。
私たちの最適化は、学習速度と学習精度の2つのメリットに基づいています。
論文 参考訳（メタデータ） (2021-06-28T12:01:05Z) - A Study of the Fundamental Parameters of Particle Swarm Optimizers [0.0]
集団ベースのアルゴリズムは、適応をほとんど、あるいは全く行わずに、異なる最適化問題を扱うことができる。
主な欠点は、計算コストが比較的高く、等式制約を扱うのが困難であることである。
本稿では,粒子の速度更新方程式のパラメータ設定が系の挙動に及ぼす影響を論じる。
論文 参考訳（メタデータ） (2021-01-25T01:18:34Z) - Evolutionary Variational Optimization of Generative Models [0.0]
分散最適化と進化的アルゴリズムの2つの一般的な最適化アプローチをジェネレーションモデルのための学習アルゴリズムの導出に組み合わせます。
進化的アルゴリズムは変動境界を効果的かつ効率的に最適化できることを示す。
ゼロショット」学習のカテゴリでは、多くのベンチマーク設定で最先端の技術を大幅に改善するために進化的変動アルゴリズムを観察しました。
論文 参考訳（メタデータ） (2020-12-22T19:06:33Z) - Recent Theoretical Advances in Non-Convex Optimization [56.88981258425256]
近年、深層ネットワークにおける非最適化アルゴリズムの解析やデータ問題への関心が高まっており、非最適化のための理論的最適化アルゴリズムの最近の結果の概要を概説する。
論文 参考訳（メタデータ） (2020-12-11T08:28:51Z) - Convergence of adaptive algorithms for weakly convex constrained
optimization [59.36386973876765]
モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。
我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
論文 参考訳（メタデータ） (2020-06-11T17:43:19Z) - Fast Mutation in Crossover-based Algorithms [8.34061303235504]
Doerr、Le、Makhmara、Nguyen(GECCO)で提案された重尾突然変異演算子
Doerr、Le、Makhmara、Nguyen(GECCO)で提案された重尾突然変異演算子
実験的な研究は、ランダムに満足できるMax-3SATインスタンスにも高速突然変異の有効性を示す。
論文 参考訳（メタデータ） (2020-04-14T14:16:42Z) - Self-Adjusting Evolutionary Algorithms for Multimodal Optimization [0.0]
自己調整および自己適応機構は、二進探索空間の進化的アルゴリズムにおける静的設定よりも確実に優れている。
我々は、既存の進化アルゴリズムのモジュールとして追加できる、停滞検出と呼ばれるメカニズムを提案する。
論文 参考訳（メタデータ） (2020-04-07T11:02:10Z)
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。