論文の概要: Population network structure impacts genetic algorithm optimisation
performance
- arxiv url: http://arxiv.org/abs/2104.04254v1
- Date: Fri, 9 Apr 2021 09:06:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 08:03:21.498280
- Title: Population network structure impacts genetic algorithm optimisation
performance
- Title(参考訳): 集団ネットワーク構造が遺伝的アルゴリズムの最適化性能に与える影響
- Authors: Aymeric Vie
- Abstract要約: 遺伝的アルゴリズム (GA) は自然進化をシミュレートして解の集団を最適化する探索法である。
ソーシャルネットワークは、2人が交尾する可能性を条件にすることができる。
我々は,ネットワーク遺伝的アルゴリズム(NGA)を導入し,多様なランダム・スケールフリーな集団ネットワークがGAの最適化性能に与える影響を評価する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A genetic algorithm (GA) is a search method that optimises a population of
solutions by simulating natural evolution. Good solutions reproduce together to
create better candidates. The standard GA assumes that any two solutions can
mate. However, in nature and social contexts, social networks can condition the
likelihood that two individuals mate. This impact of population network
structure over GAs performance is unknown. Here we introduce the Networked
Genetic Algorithm (NGA) to evaluate how various random and scale-free
population networks influence the optimisation performance of GAs on benchmark
functions. We show evidence of significant variations in performance of the NGA
as the network varies. In addition, we find that the best-performing population
networks, characterised by intermediate density and low average shortest path
length, significantly outperform the standard complete network GA. These
results may constitute a starting point for network tuning and network control:
seeing the network structure of the population as a parameter that can be tuned
to improve the performance of evolutionary algorithms, and offer more realistic
modelling of social learning.
- Abstract(参考訳): 遺伝的アルゴリズム(英: genetic algorithm, GA)は、自然進化をシミュレートして解の集団を最適化する探索法である。
良いソリューションは、より良い候補を作るために一緒に再現します。
標準GAは、任意の2つの解が一致できると仮定する。
しかし、自然と社会的文脈において、ソーシャルネットワークは2人が交尾する可能性を条件にすることができる。
GAの性能に対する人口ネットワーク構造の影響は不明である。
本稿では,ネットワーク遺伝的アルゴリズム(NGA)を導入し,様々なランダム・スケールフリー集団ネットワークがベンチマーク関数上でのGAの最適化性能に与える影響を評価する。
ネットワークが変化するにつれてNGAの性能が著しく変化することを示す。
さらに,中間密度と最短経路長の低さを特徴とする最もパフォーマンスの高い人口ネットワークは,標準完全ネットワークgaを大きく上回っていることがわかった。
これらの結果は、ネットワークチューニングとネットワーク制御の出発点となり得る: 人口のネットワーク構造を、進化的アルゴリズムの性能を向上させるために調整できるパラメータと見なし、より現実的な社会学習モデルを提供する。
関連論文リスト
- Ant Colony Sampling with GFlowNets for Combinatorial Optimization [72.95439522658647]
Generative Flow Ant Colony Sampler (GFACS) はニューラル誘導型メタヒューリスティックアルゴリズムである。
GFACSは生成フローネットワーク(GFlowNets)とアリコロニー最適化(ACO)手法を統合している。
論文 参考訳(メタデータ) (2024-03-11T16:26:06Z) - Simulation-based optimization of a production system topology -- a
neural network-assisted genetic algorithm [0.0]
遺伝的アルゴリズム(GA)を用いた生産システムのトポロジー最適化のための新しい手法を提案する
GAの拡張では、ニューラルネットワークがシミュレーションの代理モデルとして機能する。
どちらの手法も、産業環境で最適解を見つけるのに効果的である。
論文 参考訳(メタデータ) (2024-02-02T15:52:10Z) - Improving genetic algorithms performance via deterministic population
shrinkage [9.334663477968027]
本稿では,遺伝的アルゴリズム(GA)の性能に対する簡易変数集団サイズ法の適用可能性に関する実証的研究について述べる。
それは、所定のスケジュールに従ってGAランの人口を減少させ、速度と重大度パラメータによって構成する。
その結果,SVPS-GAは性能を向上しながら解の質を保ちつつ,性能向上に要する評価回数を削減し,速度重大性の組合せを示した。
論文 参考訳(メタデータ) (2024-01-22T17:05:16Z) - Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。
このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文 参考訳(メタデータ) (2023-12-16T14:09:23Z) - Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna
Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。
本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。
シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文 参考訳(メタデータ) (2023-01-20T17:06:34Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳(メタデータ) (2022-09-23T05:24:18Z) - Otimizacao de Redes Neurais atraves de Algoritmos Geneticos Celulares [0.0]
この手法の目的は、分類問題に対して優れた性能を示すコンパクトネットワークを見つけることである。
CGAの使用は、共通の遺伝的アルゴリズム(GA)と同様に、RNAの構成要素を探すことを目的としている。
CAが課している場所は、長期にわたって遺伝的多様性を維持するために、集団内の溶液の拡散を制御することを目的としている。
論文 参考訳(メタデータ) (2021-07-18T00:10:15Z) - A Novel Genetic Algorithm with Hierarchical Evaluation Strategy for
Hyperparameter Optimisation of Graph Neural Networks [7.139436410105177]
本研究は階層的評価戦略(HESGA)を用いた新しい遺伝的アルゴリズムを提案する。
提案された階層的戦略は、候補者をより高いレベルに推薦するために低いレベルでの迅速な評価を用いており、完全評価はエリート個人のグループを維持するための最終評価者として振る舞う。
論文 参考訳(メタデータ) (2021-01-22T19:19:59Z) - Genetic-algorithm-optimized neural networks for gravitational wave
classification [0.0]
遺伝的アルゴリズム(GA)に基づくハイパーパラメータ最適化の新しい手法を提案する。
我々は,初期パラメータのシード値が良い解には程遠い場合に,GAが高品質なアーキテクチャを発見できることを示す。
遺伝的アルゴリズムの最適化を用いて既存のネットワークを洗練することは、問題コンテキストが変化した場合に特に有用である。
論文 参考訳(メタデータ) (2020-10-09T03:14:20Z) - Permutation-equivariant and Proximity-aware Graph Neural Networks with
Stochastic Message Passing [88.30867628592112]
グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。
置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。
既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。
ノードの近さを保つため,既存のGNNをノード表現で拡張する。
論文 参考訳(メタデータ) (2020-09-05T16:46:56Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳(メタデータ) (2020-06-26T17:03:06Z)
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。