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
- 360 Layout Estimation via Orthogonal Planes Disentanglement and
Multi-view Geometric Consistency Perception [60.23832277827669]
既存のパノラマ配置推定ソリューションは、垂直圧縮されたシーケンスから部屋の境界を復元する傾向がある。
水平深度と比表現に適した教師なし適応手法を提案する。
また,決定レベルのレイアウト解析のための最適化手法と,特徴レベルのマルチビューアグリゲーションのための1次元コストボリューム構築手法も導入する。
論文 参考訳(メタデータ) (2023-12-26T12:16:03Z) - Parameter Efficient Fine-tuning via Cross Block Orchestration for
Segment Anything Model [86.41316628084464]
PEFTにクロスブロックオーケストレーション機構を組み、SAM(Segment Anything Model)の様々な下流シナリオへの適応を可能にする。
本稿では,超複素層から重みが生じる線形射影ヘッドを導入するブロック内拡張モジュールを提案する。
提案手法は,約1Kのパラメータのみを付加した新規シナリオにおいて,セグメンテーション性能を大幅に向上させる。
論文 参考訳(メタデータ) (2023-11-28T11:23:34Z) - Global Optimization: A Machine Learning Approach [7.052596485478637]
Bertsimas と Ozturk (2023) は、ブラックボックスのグローバル最適化問題を解決する方法として OCTHaGOn を提案した。
我々は、他のMIO表現可能なMLモデルを用いて、元の問題を近似することで、このアプローチの拡張を提供する。
多くの場合において、ソリューションの実現可能性と最適性の改善を示す。
論文 参考訳(メタデータ) (2023-11-03T06:33:38Z) - RGM: A Robust Generalist Matching Model [53.223624323416914]
RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。
合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。
さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
論文 参考訳(メタデータ) (2023-10-18T07:30:08Z) - SIGMA: Scale-Invariant Global Sparse Shape Matching [49.85532688927782]
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) - 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) - 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) - Explicitly Multi-Modal Benchmarks for Multi-Objective Optimization [1.9282110216621833]
本研究では,アトラクションの流域を用いて,流域接続性(3BC)に基づくベンチマークを導入する。
3BCは、盆地グラフと呼ばれるトポロジ解析によって、マルチモーダルランドスケープの仕様化を可能にする。
論文 参考訳(メタデータ) (2021-10-07T05:51:32Z) - 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。