論文の概要: IEEE CEC 2022 Competition on Dynamic Optimization Problems Generated by
Generalized Moving Peaks Benchmark
- arxiv url: http://arxiv.org/abs/2106.06174v2
- Date: Sun, 12 Dec 2021 13:07:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-26 23:50:35.643637
- Title: IEEE CEC 2022 Competition on Dynamic Optimization Problems Generated by
Generalized Moving Peaks Benchmark
- Title（参考訳）: IEEE CEC 2022 の一般移動ピークベンチマークによる動的最適化問題に関するコンペティション
- Authors: Danial Yazdani (1), Juergen Branke (2), Mohammad Nabi Omidvar (3),
Xiaodong Li (4), Changhe Li (5), Michalis Mavrovouniotis (6), Trung Thanh
Nguyen (7), Shengxiang Yang (8), Xin Yao (1 and 9) ((1) Guangdong Provincial
Key Laboratory of Brain-inspired Intelligent Computation, Department of
Computer Science and Engineering, Southern University of Science and
Technology, (2) Operational Research and Management Sciences Group, Warwick
Business school, University of Warwick, (3) School of Computing, University
of Leeds, and Leeds University Business School, (4) School of Science
(Computer Science), RMIT University, (5) School of Automation, China
University of Geosciences, (6) KIOS Research and Innovation Center of
Excellence, Department of Electrical and Computer Engineering, (7) Liverpool
Logistics, Offshore and Marine (LOOM) Research Institute, Faculty of
Engineering and Technology, School of Engineering, Liverpool John Moores
University, (8) Center for Computational Intelligence (CCI), School of
Computer Science and Informatics, De Montfort University, (9) Center of
Excellence for Research in Computational Intelligence and Applications
(CERCIA), School of Computer Science, University of Birmingham)
- Abstract要約: 本稿では,連続動的最適化問題インスタンスを生成するGMPBについて述べる。
GMPBによって生成された景観は、様々な制御可能な特徴を持つ複数のコンポーネントを組み立てることで構成される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This document describes the Generalized Moving Peaks Benchmark (GMPB) that
generates continuous dynamic optimization problem instances. The landscapes
generated by GMPB are constructed by assembling several components with a
variety of controllable characteristics ranging from unimodal to highly
multimodal, symmetric to highly asymmetric, smooth to highly irregular, and
various degrees of variable interaction and ill-conditioning. In this document,
we explain how these characteristics can be generated by different parameter
settings of GMPB. The MATLAB source code of GMPB is also explained.
- Abstract（参考訳）: 本論文は、連続動的最適化問題インスタンスを生成するGMPB(Generalized Moving Peaks Benchmark)について述べる。
gmpbが生成する風景は、ユニモーダルから高マルチモーダル、対称、高非対称、滑らか、高不規則、様々なレベルの可変相互作用と悪条件まで、様々な制御可能な特徴を持つ複数のコンポーネントを組み立てて構成される。
本稿では,GMPBのパラメータ設定によって,これらの特徴がどのように生成されるかを説明する。
GMPBのMATLABソースコードも説明されている。
関連論文リスト
- Modeling All Response Surfaces in One for Conditional Search Spaces [69.90317997694218]
本稿では,すべての部分空間の応答曲面をモデル化する新しい手法を提案する。
本稿では,様々な部分空間から異なる構造を持つ構成を統一された特徴空間に投影できる注目型深層特徴抽出器を提案する。
論文 参考訳（メタデータ） (2025-01-08T03:56:06Z) - SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。
SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。
以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-08-21T09:12:59Z) - GNBG: A Generalized and Configurable Benchmark Generator for Continuous
Numerical Optimization [5.635586285644365]
さまざまな特徴を持つさまざまな問題インスタンスを含むベンチマークテストスイートを使用することが重要です。
従来のベンチマークスイートは、しばしば多数の固定テスト関数で構成されており、これらを特定の研究目的と整合させることが困難である。
本稿では,単目的,ボックス制約,連続的な数値最適化のための一般化数値ベンチマークジェネレータ(GNBG)を提案する。
論文 参考訳（メタデータ） (2023-12-12T09:04:34Z) - SIGMA: Scale-Invariant Global Sparse Shape Matching [50.385414715675076]
非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。
いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
論文 参考訳（メタデータ） (2023-08-16T14:25:30Z) - MA-BBOB: Many-Affine Combinations of BBOB Functions for Evaluating
AutoML Approaches in Noiseless Numerical Black-Box Optimization Contexts [0.8258451067861933]
(MA-)BBOBは、一般公開のIOHファウンサープラットフォーム上に構築されている。
パフォーマンス分析と視覚化のためのインタラクティブなIOHanalyzerモジュールへのアクセスを提供し、(MA-)BBOB関数で利用可能なリッチで成長中のデータコレクションとの比較を可能にする。
論文 参考訳（メタデータ） (2023-06-18T19:32:12Z) - Performance Embeddings: A Similarity-based Approach to Automatic
Performance Optimization [71.69092462147292]
パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。
本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
論文 参考訳（メタデータ） (2023-03-14T15:51:35Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - Flexible Differentiable Optimization via Model Transformations [1.081463830315253]
目的および/または制約に存在する任意のパラメータに関して、最適化問題の解を通じて区別するJuliaライブラリであるDiffOptを紹介する。
論文 参考訳（メタデータ） (2022-06-10T09:59:13Z) - Hybrid Parameter Search and Dynamic Model Selection for Mixed-Variable
Bayesian Optimization [6.204805504959941]
混合変数の管理に有効なベイズ最適化(BO)のための新しいタイプのハイブリッドモデルを提案する。
提案手法は,モンテカルロ木探索構造 (MCTS) とガウス過程 (GP) を融合したハイブリッドモデルである。
代理モデリングフェーズにおける動的オンラインカーネル選択を含む我々のイノベーションは、ハイブリッドモデルを混合可変代理モデルの進歩として位置づけている。
論文 参考訳（メタデータ） (2022-06-03T06:34:09Z) - Generating Large-scale Dynamic Optimization Problem Instances Using the
Generalized Moving Peaks Benchmark [9.109331015600185]
本論文では, 一般化移動ピークベンチマーク(GMPB)と, 連続的な大規模動的最適化問題に対する問題インスタンスの生成方法について述べる。
15のベンチマーク問題、関連するソースコード、および大規模動的最適化における比較研究と競合のために設計されたパフォーマンス指標を提示する。
論文 参考訳（メタデータ） (2021-07-23T03:57:50Z) - On the Encoder-Decoder Incompatibility in Variational Text Modeling and
Beyond [82.18770740564642]
変分オートエンコーダ(VAE)は、潜時変数と償却変分推論を結合する。
我々は,データ多様体のパラメータ化が不十分なエンコーダ・デコーダの不整合性を観察する。
同一構造を持つ決定論的オートエンコーダとVAEモデルを結合した結合型VAEを提案する。
論文 参考訳（メタデータ） (2020-04-20T10:34:10Z)
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。