論文の概要: Child Drawing Development Optimization Algorithm based on Child's
Cognitive Development
- arxiv url: http://arxiv.org/abs/2107.08944v1
- Date: Wed, 30 Jun 2021 08:51:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 07:34:18.122591
- Title: Child Drawing Development Optimization Algorithm based on Child's
Cognitive Development
- Title(参考訳): 子どもの認知的発達に基づく児童図面開発最適化アルゴリズム
- Authors: Sabat Abdulhameed and Tarik A. Rashid
- Abstract要約: 本稿では,子どもの学習行動と認知発達にインスパイアされた新しいアルゴリズムを提案する。
子供の図面の圧力幅、長さ、黄金比を調整し、より良い結果が得られるように調整する。
- 参考スコア(独自算出の注目度): 1.1802674324027231
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper proposes a novel metaheuristic Child Drawing Development
Optimization (CDDO) algorithm inspired by the child's learning behaviour and
cognitive development using the golden ratio to optimize the beauty behind
their art. The golden ratio was first introduced by the famous mathematician
Fibonacci. The ratio of two consecutive numbers in the Fibonacci sequence is
similar, and it is called the golden ratio, which is prevalent in nature, art,
architecture, and design. CDDO uses golden ratio and mimics cognitive learning
and child's drawing development stages starting from the scribbling stage to
the advanced pattern-based stage. Hand pressure width, length and golden ratio
of the child's drawing are tuned to attain better results. This helps children
with evolving, improving their intelligence and collectively achieving shared
goals. CDDO shows superior performance in finding the global optimum solution
for the optimization problems tested by 19 benchmark functions. Its results are
evaluated against more than one state of art algorithms such as PSO, DE, WOA,
GSA, and FEP. The performance of the CDDO is assessed, and the test result
shows that CDDO is relatively competitive through scoring 2.8 ranks. This
displays that the CDDO is outstandingly robust in exploring a new solution.
Also, it reveals the competency of the algorithm to evade local minima as it
covers promising regions extensively within the design space and exploits the
best solution.
- Abstract(参考訳): 本稿では,子どもの学習行動と認知発達にインスパイアされた,メタヒューリスティックな児童描画開発最適化(CDDO)アルゴリズムを提案する。
黄金比は有名な数学者フィボナッチによって初めて導入された。
フィボナッチ列の2つの連続数の割合は類似しており、黄金比(golden ratio)と呼ばれ、自然、芸術、建築、デザインに広く使われている。
cddoは黄金比を用い、クリブリングステージから高度なパターンベースステージまで、認知学習と子供の描画発達段階を模倣する。
子供の図面の手の圧力幅、長さ、黄金比を調整し、より良い結果を得る。
これは子供たちが進化し、知性を高め、共通の目標を達成するのに役立ちます。
cddoは19のベンチマーク関数によってテストされた最適化問題のグローバル最適解を見つけるのに優れた性能を示す。
その結果は、pso、de、woa、gsa、fepといった複数の技術アルゴリズムに対して評価される。
CDDOのパフォーマンスを評価し、テスト結果から、CDDOは2.8ランクで比較的競争力があることが示された。
これはCDDOが新しいソリューションを探索する上で、非常に堅牢であることを示している。
また,設計領域内で広く有望な領域をカバーするため,局所的ミニマを回避するアルゴリズムの能力を明らかにし,最善のソリューションを活用している。
関連論文リスト
- ELRA: Exponential learning rate adaption gradient descent optimization
method [83.88591755871734]
我々は, 高速(指数率), ab initio(超自由)勾配に基づく適応法を提案する。
本手法の主な考え方は,状況認識による$alphaの適応である。
これは任意の次元 n の問題に適用でき、線型にしかスケールできない。
論文 参考訳(メタデータ) (2023-09-12T14:36:13Z) - BCDDO: Binary Child Drawing Development Optimization [0.9990687944474739]
本研究におけるラッパーの特徴を選択するために,BCDDO(Binary Child Drawing Development Optimization)を提案する。
最適な分類精度を達成するため、提案したBCDDOを用いて重要な特徴のサブセットを選択する。
提案手法は, 特徴選択領域において, 分類精度を高めるために, 提案手法を著しく上回っている。
論文 参考訳(メタデータ) (2023-07-19T11:32:34Z) - CDDO-HS:Child Drawing Development Optimization Harmony Search Algorithm [0.9990687944474739]
児童図面開発最適化(CDDO)はメタヒューリスティックアルゴリズムの最近の例である。
Harmony Search (HS) は、他の一般的なメタヒューリスティックアルゴリズムと比較して高い競争力を持つアルゴリズムである。
CDDOHSはCDDOとHSの両標準のハイブリッド化である。
論文 参考訳(メタデータ) (2023-05-12T06:29:30Z) - Planning for Sample Efficient Imitation Learning [52.44953015011569]
現在の模倣アルゴリズムは、高い性能と高環境サンプル効率を同時に達成するのに苦労している。
本研究では,環境内サンプルの効率と性能を同時に達成できる計画型模倣学習手法であるEfficientImitateを提案する。
実験結果から,EIは性能と試料効率の両立を図った。
論文 参考訳(メタデータ) (2022-10-18T05:19:26Z) - Deep Active Ensemble Sampling For Image Classification [8.31483061185317]
アクティブラーニングフレームワークは、最も有益なデータポイントのラベル付けを積極的に要求することで、データアノテーションのコストを削減することを目的としている。
提案手法には、不確実性に基づく手法、幾何学的手法、不確実性に基づく手法と幾何学的手法の暗黙の組み合わせなどがある。
本稿では, サンプル選択戦略における効率的な探索・探索トレードオフを実現するために, 不確実性に基づくフレームワークと幾何学的フレームワークの両方の最近の進歩を革新的に統合する。
本フレームワークは,(1)正確な後続推定,(2)計算オーバーヘッドと高い精度のトレードオフの2つの利点を提供する。
論文 参考訳(メタデータ) (2022-10-11T20:20:20Z) - Fitness Dependent Optimizer for IoT Healthcare using Adapted Parameters:
A Case Study Implementation [0.629786844297945]
本章では、Fitness Dependentwarm(いわゆるFDO)のケーススタディについて論じ、そのパラメータをIoT(Internet of Things)ヘルスケアに適用する。
他のアルゴリズムは、FDOを元の作業でGA(Genematic Algorithm)とPSO(Particle Swarm Optimization)として評価し、比較する。
この章の目標は、FDOに基づいたIoTヘルスケアフレームワークを適用して、効果的なIoTヘルスケアアプリケーションを生成することだ。
論文 参考訳(メタデータ) (2022-05-18T16:18:57Z) - ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。
この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。
特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
論文 参考訳(メタデータ) (2021-10-10T09:35:15Z) - iDARTS: Differentiable Architecture Search with Stochastic Implicit
Gradients [75.41173109807735]
微分可能なArchiTecture Search(DARTS)は先日,ニューラルアーキテクチャサーチ(NAS)の主流になった。
暗黙の関数定理に基づいてDARTSの過次計算に取り組む。
提案手法であるiDARTSのアーキテクチャ最適化は,定常点に収束することが期待される。
論文 参考訳(メタデータ) (2021-06-21T00:44:11Z) - AdaLead: A simple and robust adaptive greedy search algorithm for
sequence design [55.41644538483948]
我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。
AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
論文 参考訳(メタデータ) (2020-10-05T16:40:38Z) - DrNAS: Dirichlet Neural Architecture Search [88.56953713817545]
ディリクレ分布をモデルとした連続緩和型混合重みをランダム変数として扱う。
最近開発されたパスワイズ微分により、ディリクレパラメータは勾配に基づく一般化で容易に最適化できる。
微分可能なNASの大きなメモリ消費を軽減するために, 単純かつ効果的な進行学習方式を提案する。
論文 参考訳(メタデータ) (2020-06-18T08:23:02Z)
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。