論文の概要: Attention-oriented Brain Storm Optimization for Multimodal Optimization
Problems
- arxiv url: http://arxiv.org/abs/2105.13095v1
- Date: Thu, 27 May 2021 12:47:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 07:14:14.468188
- Title: Attention-oriented Brain Storm Optimization for Multimodal Optimization
Problems
- Title（参考訳）: マルチモーダル最適化問題に対する注意方向脳ストーム最適化
- Authors: Jian Yang and Yuhui Shi
- Abstract要約: 本稿では,アテンション指向のブレインストーム最適化(ABSO)手法を提案し,アテンション機構を比較的新しいスワムインテリジェンスアルゴリズムに導入する。
一つの大域的最適解に収束するのではなく, 提案手法は探索手順を導出し, 複数の「安定」解に収束させる。
- 参考スコア（独自算出の注目度）: 24.38312890501329
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Population-based methods are often used to solve multimodal optimization
problems. By combining niching or clustering strategy, the state-of-the-art
approaches generally divide the population into several subpopulations to find
multiple solutions for a problem at hand. However, these methods only guided by
the fitness value during iterations, which are suffering from determining the
number of subpopulations, i.e., the number of niche areas or clusters. To
compensate for this drawback, this paper presents an Attention-oriented Brain
Storm Optimization (ABSO) method that introduces the attention mechanism into a
relatively new swarm intelligence algorithm, i.e., Brain Storm Optimization
(BSO). By converting the objective space from the fitness space into
"attention" space, the individuals are clustered and updated iteratively
according to their salient values. Rather than converge to a single global
optimum, the proposed method can guide the search procedure to converge to
multiple "salient" solutions. The preliminary results show that the proposed
method can locate multiple global and local optimal solutions of several
multimodal benchmark functions. The proposed method needs less prior knowledge
of the problem and can automatically converge to multiple optimums guided by
the attention mechanism, which has excellent potential for further development.
- Abstract（参考訳）: 集団に基づく手法はしばしばマルチモーダル最適化問題を解くために用いられる。
ニッチやクラスタリングの戦略を組み合わせることで、最先端のアプローチは一般に集団をいくつかのサブ集団に分割し、問題に対する複数の解決策を見つける。
しかし、これらの手法は、イテレーション中の適合度値のみに導かれ、亜集団の数、すなわちニッチな領域やクラスタの数を決定するのに苦しむ。
本稿では,この欠点を補うために,比較的新しいswarm intelligenceアルゴリズム,すなわちブレインストーム最適化(bso)に注意機構を導入する注意指向ブレインストーム最適化(abso)手法を提案する。
目標空間をフィットネス空間から「アテンション」空間に変換することにより、個人は正当値に従ってクラスタ化され、反復的に更新される。
提案手法は,単一の大域的最適解に収束する代わりに,探索手順を複数の「安定解」に収束させるように導くことができる。
予備結果は,提案手法が複数のマルチモーダルベンチマーク関数の多元的最適解と局所最適解を探索できることを示す。
提案手法は,問題の事前知識を少なくし,アテンション機構によって導かれる複数の最適化に自動的に収束し,さらなる発展の可能性が期待できる。
関連論文リスト
- Integrating Chaotic Evolutionary and Local Search Techniques in Decision Space for Enhanced Evolutionary Multi-Objective Optimization [1.8130068086063336]
本稿では,SOMMOP(Single-Objective Multi-Modal Optimization)とMOO(Multi-Objective Optimization)の両方に焦点を当てる。
SOMMOPではニッチ技術とカオス進化を統合し,ガウス突然変異を併用したパーシスタンス・クラスタリングを行った。
MOOでは,これらの手法を不確実性に基づく選択,適応的チューニングを組み込んだ包括的フレームワークに拡張し,決定論的群集に半径(R)の概念を導入する。
論文 参考訳（メタデータ） (2024-11-12T15:18:48Z) - Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。
赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
論文 参考訳（メタデータ） (2024-06-21T05:57:08Z) - Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳（メタデータ） (2023-10-10T00:21:10Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - 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) - Enhanced Opposition Differential Evolution Algorithm for Multimodal
Optimization [0.2538209532048866]
現実の問題は、本質的には複数の最適値からなるマルチモーダルである。
古典的な勾配に基づく手法は、目的関数が不連続あるいは微分不可能な最適化問題に対して失敗する。
我々は,MMOPを解くために,拡張オポポジション微分進化(EODE)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-23T16:18:27Z) - Quant-BnB: A Scalable Branch-and-Bound Method for Optimal Decision Trees
with Continuous Features [5.663538370244174]
本稿では,分岐とバウンド(BnB)に基づく新たな離散最適化手法を提案する。
提案アルゴリズムのQuant-BnBは,様々な実データセット上での浅い最適木に対する既存手法と比較して,大幅な高速化を示す。
論文 参考訳（メタデータ） (2022-06-23T17:19:29Z) - GPSAF: A Generalized Probabilistic Surrogate-Assisted Framework for
Constrained Single- and Multi-objective Optimization [7.8140593450932965]
本稿では,一般確率的サロゲート支援フレームワーク(GPSAF)を提案する。
GPSAFは、制約のない、制約のない、単目的および多目的最適化アルゴリズムの幅広いカテゴリに適用できる。
論文 参考訳（メタデータ） (2022-04-06T13:22:30Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Population-Based Methods: PARTICLE SWARM OPTIMIZATION -- Development of
a General-Purpose Optimizer and Applications [0.0]
この論文は、不等式制約を受ける連続、静的、単目的の最適化問題に関係している。
粒子群最適化のパラダイムは、社会で観察された協調行動の以前のシミュレーションから着想を得たものである。
論文 参考訳（メタデータ） (2021-01-25T09:36:25Z)
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。