論文の概要: Competition on Dynamic Optimization Problems Generated by Generalized
Moving Peaks Benchmark (GMPB)
- arxiv url: http://arxiv.org/abs/2106.06174v3
- Date: Wed, 13 Dec 2023 09:16:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-14 21:25:48.387781
- Title: Competition on Dynamic Optimization Problems Generated by Generalized
Moving Peaks Benchmark (GMPB)
- Title（参考訳）: 一般化移動ピークベンチマーク(gmpb)による動的最適化問題の競合
- Authors: Danial Yazdani (1), Michalis Mavrovouniotis (2), Changhe Li (3),
Wenjian Luo (4), Mohammad Nabi Omidvar (5), Amir H. Gandomi (6), Trung Thanh
Nguyen (7), Juergen Branke (8), Xiaodong Li (9), Shengxiang Yang (10), and
Xin Yao (11) ((1) Faculty of Engineering & Information Technology, University
of Technology Sydney,(2) ERATOSTHENES Centre of Excellence, (3) School of
Automation, China University of Geosciences, (4) Guangdong Provincial Key
Laboratory of Novel Security Intelligence Technologies, School of Computer
Science and Technology, Harbin Institute of Technology and Peng Cheng
Laboratory, (5) School of Computing, University of Leeds, and Leeds
University Business School, (6) Faculty of Engineering & Information
Technology, University of Technology Sydney and University Research and
Innovation Center (EKIK), Obuda University, (7) Liverpool Logistics, Offshore
and Marine (LOOM) Research Institute, Faculty of Engineering and Technology,
School of Engineering, Liverpool John Moores University, (8) Warwick Business
school, University of Warwick, (9) School of Science (Computer Science), RMIT
University, (10) Center for Computational Intelligence (CCI), School of
Computer Science and Informatics, De Montfort University, (11) Research
Institute of Trustworthy Autonomous Systems (RITAS), and Guangdong Provincial
Key Laboratory of Brain inspired Intelligent Computation, Department of
Computer Science and Engineering, Southern University of Science and
Technology, and CERCIA, School of Computer Science, University of Birmingham)
- Abstract要約: 本書では、GMPB(Generalized moving Benchmark)を紹介する。
GMPBは、幅広い特徴を持つ景観を生成するのに適している。
この文書はGMPBの複雑さを掘り下げ、そのパラメータを調整してこれらの多様な景観特性を創出する方法を詳述している。
- 参考スコア（独自算出の注目度）: 5.1812733319583915
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This document introduces the Generalized Moving Peaks Benchmark (GMPB), a
tool for generating continuous dynamic optimization problem instances that is
used for the CEC 2024 Competition on Dynamic Optimization. GMPB is adept at
generating landscapes with a broad spectrum of characteristics, offering
everything from unimodal to highly multimodal landscapes and ranging from
symmetric to highly asymmetric configurations. The landscapes also vary in
texture, from smooth to highly irregular surfaces, encompassing diverse degrees
of variable interaction and conditioning. This document delves into the
intricacies of GMPB, detailing the myriad ways in which its parameters can be
tuned to produce these diverse landscape characteristics. GMPB's MATLAB
implementation is available on the EDOLAB Platform.
- Abstract（参考訳）: この文書は、CEC 2024の動的最適化コンペティションに使用される継続的動的最適化問題インスタンスを生成するツールであるGMPB(Generalized Moving Peaks Benchmark)を紹介している。
gmpbは、幅広い特徴を持つ風景を創出し、ユニモーダルから高度にマルチモーダルな風景まで、対称から高度に非対称な構成まであらゆるものを提供する。
風景は、滑らかな表面から非常に不規則な表面まで、様々な相互作用と条件づけの程度を包含するテクスチャも様々である。
この文書はGMPBの複雑さを掘り下げ、そのパラメータを調整してこれらの多様な景観特性を創出する方法を詳述している。
GMPBのMATLAB実装はEDOLABプラットフォームで利用可能である。
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。