論文の概要: Ebola Optimization Search Algorithm (EOSA): A new metaheuristic
algorithm based on the propagation model of Ebola virus disease
- arxiv url: http://arxiv.org/abs/2106.01416v1
- Date: Wed, 2 Jun 2021 18:41:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-05 06:28:50.633014
- Title: Ebola Optimization Search Algorithm (EOSA): A new metaheuristic
algorithm based on the propagation model of Ebola virus disease
- Title（参考訳）: ebola optimization search algorithm (eosa) : エボラウイルス病の伝播モデルに基づく新しいメタヒューリスティックアルゴリズム
- Authors: Olaide N. Oyelade and Absalom E. Ezugwu
- Abstract要約: エボラウイルスとこの病気は、感染、隔離、入院、回復、死亡するサブ集団を中心に、人口をランダムに移動させる傾向がある。
ウイルスを媒介する病気の伝播効果により,新たなバイオインスパイアされた集団最適化アルゴリズムが提案されている。
- 参考スコア（独自算出の注目度）: 5.482532589225552
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Ebola virus and the disease in effect tend to randomly move individuals
in the population around susceptible, infected, quarantined, hospitalized,
recovered, and dead sub-population. Motivated by the effectiveness in
propagating the disease through the virus, a new bio-inspired and
population-based optimization algorithm is proposed. This paper presents a
novel metaheuristic algorithm named Ebola optimization algorithm (EOSA). To
correctly achieve this, this study models the propagation mechanism of the
Ebola virus disease, emphasising all consistent states of the propagation. The
model was further represented using a mathematical model based on first-order
differential equations. After that, the combined propagation and mathematical
models were adapted for developing the new metaheuristic algorithm. To evaluate
the proposed method's performance and capability compared with other
optimization methods, the underlying propagation and mathematical models were
first investigated to determine how they successfully simulate the EVD.
Furthermore, two sets of benchmark functions consisting of forty-seven (47)
classical and over thirty (30) constrained IEEE CEC-2017 benchmark functions
are investigated numerically. The results indicate that the performance of the
proposed algorithm is competitive with other state-of-the-art optimization
methods based on scalability analysis, convergence analysis, and sensitivity
analysis. Extensive simulation results indicate that the EOSA outperforms other
state-of-the-art popular metaheuristic optimization algorithms such as the
Particle Swarm Optimization Algorithm (PSO), Genetic Algorithm (GA), and
Artificial Bee Colony Algorithm (ABC) on some shifted, high dimensional and
large search range problems.
- Abstract（参考訳）: エボラウイルスと事実上の病気は、感受性、感染、隔離、入院、回復、死亡する集団の周囲にランダムに個体を移動させる傾向がある。
ウイルスを媒介する病気の伝播効果により,新たなバイオインスパイアされた集団最適化アルゴリズムが提案されている。
本稿では,エボラ最適化アルゴリズム(EOSA)というメタヒューリスティックアルゴリズムを提案する。
本研究は、エボラウイルス病の伝播機構をモデル化し、伝播の全ての一貫した状態を強調した。
このモデルはさらに一階微分方程式に基づく数学的モデルを用いて表現された。
その後、新しいメタヒューリスティックアルゴリズムを開発するために、伝播と数学的モデルの組み合わせが適応された。
提案手法の性能と性能を他の最適化手法と比較して評価するため,基礎となる伝搬モデルと数理モデルを用いてEVDのシミュレーションを成功させる方法について検討した。
さらに, IEEE CEC-2017ベンチマーク関数は, 古典的(47) と制約付き(30) の2つのベンチマーク関数からなる。
その結果,提案アルゴリズムの性能は,スケーラビリティ解析,収束解析,感度解析に基づく他の最先端最適化手法と競合することが示唆された。
広範なシミュレーション結果から,eosaはpso( particle swarm optimization algorithm)やga(genetic algorithm)、abc(artificial bee colony algorithm)など、シフト・高次元・大規模探索範囲の問題において、他の最先端のメタヒューリスティック最適化アルゴリズムよりも優れていることが示された。
関連論文リスト
- GE-AdvGAN: Improving the transferability of adversarial samples by
gradient editing-based adversarial generative model [69.71629949747884]
GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。
本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-11T16:43:16Z) - Tumoral Angiogenic Optimizer: A new bio-inspired based metaheuristic [5.013833066304755]
腫瘍血管新生過程において発生する血管内皮細胞の形態形成細胞運動に着想を得た新しいメタヒューリスティックを提案する。
提案アルゴリズムは, 実世界の問題 (カンチレバービーム設計, 圧力容器設計, テンション/圧縮ばね, 持続的浮揚可能資源) に適用される。
論文 参考訳（メタデータ） (2023-09-12T03:51:53Z) - Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。
特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
論文 参考訳（メタデータ） (2023-02-13T19:57:17Z) - Introductory Studies of Swarm Intelligence Techniques [1.2930503923129208]
群れ知能は、個体の集団的研究と、群れの知的行動につながる相互相互作用を含む。
この章では、様々な人口ベースのSIアルゴリズム、基本構造、数学的モデルについて紹介している。
論文 参考訳（メタデータ） (2022-09-26T16:29:55Z) - Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。
厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。
このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
論文 参考訳（メタデータ） (2021-11-29T15:10:09Z) - Chaos inspired Particle Swarm Optimization with Levy Flight for Genome
Sequence Assembly [0.0]
本稿では、置換最適化問題に対処するため、新しいPSOの変種を提案する。
PSOはChaos and Levy Flight (ランダムウォークアルゴリズム)と統合され、アルゴリズムの探索と利用能力のバランスをとる。
論文で提案する他のPSOの変種と比較して,提案手法の性能を評価するための実証実験を行った。
論文 参考訳（メタデータ） (2021-10-20T15:24:27Z) - Optimizing the Parameters of A Physical Exercise Dose-Response Model: An
Algorithmic Comparison [1.0152838128195467]
本研究の目的は,運動生理学の分野で用いられる一般的な非線形線量応答モデルのパラメータを適合させるタスクを与えられたとき,局所的および大域的最適化アルゴリズムの堅牢性と性能を比較することである。
また,1000回以上の実験結果から,局所探索アルゴリズムと比較してモデル適合性とホールドアウト性能が向上することを示す。
論文 参考訳（メタデータ） (2020-12-16T22:06:35Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z) - Motion-Encoded Particle Swarm Optimization for Moving Target Search
Using UAVs [4.061135251278187]
本稿では,無人航空機(UAV)を用いた移動目標探索のための動き符号化粒子群最適化(MPSO)という新しいアルゴリズムを提案する。
提案するMPSOは,PSOアルゴリズムで粒子生成に進化する一連のUAV運動経路として探索軌道を符号化することにより,その問題を解決するために開発された。
既存手法による広範囲なシミュレーションの結果,提案手法は検出性能を24%,時間性能を4.71倍改善した。
論文 参考訳（メタデータ） (2020-10-05T14:17:49Z) - 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) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z)
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。