論文の概要: A New K means Grey Wolf Algorithm for Engineering Problems

• arxiv url: http://arxiv.org/abs/2103.05760v1
• Date: Sat, 27 Feb 2021 04:29:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 00:53:35.383890
• Title: A New K means Grey Wolf Algorithm for Engineering Problems
• Title（参考訳）: エンジニアリング問題に対する新しいkはグレイウルフアルゴリズムである
• Authors: Hardi M. Mohammed, Zrar Kh. Abdul, Tarik A. Rashid, Abeer Alsadoon, Nebojsa Bacanin
• Abstract要約: 本論文の主な目的は、局所オプティマに閉じ込められているGWO問題を克服することである。 提案アルゴリズムは K-means clustering Grey Wolf Optimization (KMGWO) と呼ばれる。
• 参考スコア（独自算出の注目度）: 5.373967658884675
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Purpose: The development of metaheuristic algorithms has increased by researchers to use them extensively in the field of business, science, and engineering. One of the common metaheuristic optimization algorithms is called Grey Wolf Optimization (GWO). The algorithm works based on imitation of the wolves' searching and the process of attacking grey wolves. The main purpose of this paper to overcome the GWO problem which is trapping into local optima. Design or Methodology or Approach: In this paper, the K-means clustering algorithm is used to enhance the performance of the original Grey Wolf Optimization by dividing the population into different parts. The proposed algorithm is called K-means clustering Grey Wolf Optimization (KMGWO). Findings: Results illustrate the efficiency of KMGWO is superior to GWO. To evaluate the performance of the KMGWO, KMGWO applied to solve 10 CEC2019 benchmark test functions. Results prove that KMGWO is better compared to GWO. KMGWO is also compared to Cat Swarm Optimization (CSO), Whale Optimization Algorithm-Bat Algorithm (WOA-BAT), and WOA, so, KMGWO achieves the first rank in terms of performance. Statistical results proved that KMGWO achieved a higher significant value compared to the compared algorithms. Also, the KMGWO is used to solve a pressure vessel design problem and it has outperformed results. Originality/value: Results prove that KMGWO is superior to GWO. KMGWO is also compared to cat swarm optimization (CSO), whale optimization algorithm-bat algorithm (WOA-BAT), WOA, and GWO so KMGWO achieved the first rank in terms of performance. Also, the KMGWO is used to solve a classical engineering problem and it is superior
• Abstract（参考訳）: 目的: メタヒューリスティックなアルゴリズムの開発は、研究者がビジネス、科学、工学の分野に広く利用するようになるにつれて増加している。 メタヒューリスティック最適化アルゴリズムの1つにGrey Wolf Optimization (GWO)がある。 このアルゴリズムは、オオカミの探索と灰色のオオカミを攻撃するプロセスの模倣に基づいて動作する。 本研究の目的は,GWO問題を局所最適にトラップすることで克服することである。 設計・手法・アプローチ:本論文では,K平均クラスタリングアルゴリズムを用いて,個体群を異なる部分に分割することで,元のGrey Wolf Optimizationの性能を向上させる。 提案アルゴリズムは K-means clustering Grey Wolf Optimization (KMGWO) と呼ばれる。 結果: KMGWO の効率は GWO より優れていることを示す。 KMGWOの性能を評価するため、KMGWOは10個のCEC2019ベンチマークテスト関数を解くために適用された。 その結果,KMGWOの方がGWOより優れていることがわかった。 KMGWOは、Cat Swarm Optimization (CSO)、Whale Optimization Algorithm-Bat Algorithm (WOA-BAT)、WOAと比較される。 その結果,KMGWOは比較アルゴリズムよりも高い有意な値を示した。 また、KMGWOは圧力容器設計の問題を解決するために使われ、性能が優れている。 原性/値:結果は、KMGWOがGWOより優れていることを示す。 KMGWOは、CSO、クジラ最適化アルゴリズム・バットアルゴリズム(WOA-BAT)、WOA、GWOとも比較され、KMGWOはパフォーマンスの点で第一位となった。 また、KMGWOは古典的な工学の問題を解決するために使われており、優れている。

関連論文リスト

• An Enhanced Grey Wolf Optimizer with Elite Inheritance and Balance Search Mechanisms [13.754649370512924]
  グレイウルフ(GWO)は、灰色のオオカミの社会的リーダーシップ階層と狩猟メカニズムに触発された新しいメタヒューリスティックアルゴリズムとして認識されている。 オリジナルのGWOでは、その基本的な最適化メカニズムに2つの重大な欠陥がある。 エリート継承機構とバランス探索機構を備えた強化されたグレイウルフを提案する。
  論文  参考訳（メタデータ） (2024-04-09T03:28:00Z)
• GOOSE Algorithm: A Powerful Optimization Tool for Real-World Engineering Challenges and Beyond [4.939986309170004]
  GOOSEアルゴリズムは19のよく知られたテスト関数でベンチマークされる。 提案アルゴリズムは, 最新のベンチマーク関数10を用いて検証する。 得られた結果は,提案アルゴリズムの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2023-07-19T19:14:25Z)
• 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)
• Duck swarm algorithm: theory, numerical optimization, and applications [6.244015536594532]
  本研究では,Duck Swarm Algorithm (DSA) という,群知能に基づく最適化アルゴリズムを提案する。 2つのルールは、提案されたDSAの探索と利用段階に対応するアヒルの餌の発見と採餌からモデル化される。 その結果, DSAは収束速度と探索・探索のバランスの観点から, 高性能な最適化手法であることがわかった。
  論文  参考訳（メタデータ） (2021-12-27T04:53:36Z)
• 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)
• 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)
• Double Coverage with Machine-Learned Advice [100.23487145400833]
  オンラインの基本的な$k$-serverの問題を学習強化環境で研究する。 我々のアルゴリズムは任意の k に対してほぼ最適の一貫性-破壊性トレードオフを達成することを示す。
  論文  参考訳（メタデータ） (2021-03-02T11:04:33Z)
• The Archerfish Hunting Optimizer: a novel metaheuristic algorithm for global optimization [0.8315801422499861]
  グローバル最適化は、目的関数を最小化することにより、現実の問題を数値的にあるいは分析的に解決する。 我々はArcherfish Hunting (AHO)に基づくグローバルメタヒ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） (2021-02-03T16:22:31Z)
• A Novel Hybrid GWO with WOA for Global Numerical Optimization and Solving Pressure Vessel Design [1.1802674324027231]
  Grey Wolf Optimization (GWO) は、他の一般的なメタヒューリスティックアルゴリズムと比較して非常に競合的なアルゴリズムである。 本稿では,WOAGWOと呼ばれるGWOをハイブリッド化したWOAについて述べる。 提案したWOAGWOは、元のWOA、GWOおよび他の3つの一般的なアルゴリズムに対して評価される。
  論文  参考訳（メタデータ） (2020-02-28T21:15:16Z)

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。