論文の概要: Applying Evolutionary Algorithms Successfully: A Guide Gained from Real-world Applications

• arxiv url: http://arxiv.org/abs/2107.11300v1
• Date: Fri, 23 Jul 2021 15:22:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-21 03:11:32.267747
• Title: Applying Evolutionary Algorithms Successfully: A Guide Gained from Real-world Applications
• Title（参考訳）: 進化的アルゴリズムをうまく適用する: 実世界のアプリケーションから得られたガイド
• Authors: Wilfried Jakob
• Abstract要約: 本稿では,30年間にわたる進化的アルゴリズムGLEAMとそのメメティック拡張HyGLEAMの応用に基づいて,これらの質問に対する回答を提案する。 ここで収集され議論された経験のほとんどは、アリアルゴリズムや粒子群最適化のような他のメタヒューリスティックの使用にも応用できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Metaheuristics (MHs) in general and Evolutionary Algorithms (EAs) in particular are well known tools for successful optimization of difficult problems. But when is their application meaningful and how does one approach such a project as a novice? How do you avoid beginner's mistakes or use the design possibilities of a metaheuristic search as efficiently as possible? This paper tries to give answers to these questions based on 30 years of research and application of the Evolutionary Algorithm GLEAM and its memetic extension HyGLEAM. Most of the experience gathered and discussed here can also be applied to the use of other metaheuristics such as ant algorithms or particle swarm optimization. This paper addresses users with basic knowledge of MHs in general and EAs in particular who want to apply them in an optimization project. For this purpose, a number of questions that arise in the course of such a project are addressed. At the end, some non-technical project management issues are discussed, whose importance for project success is often underestimated.
• Abstract（参考訳）: 一般にメタヒューリスティックス(mhs)、特に進化アルゴリズム(eas)は難しい問題の最適化に成功するためのよく知られたツールである。 しかし、それらのアプリケーションがいつ意味を持つのか、どのようにして初心者のようなプロジェクトにアプローチするのか? 初心者のミスをどうやって避けるか、メタヒューリスティック検索の可能性をできるだけ効率的に活用するか? 本稿では,30年間にわたる進化的アルゴリズムGLEAMとそのメメティック拡張HyGLEAMの応用に基づいて,これらの質問に対する回答を提案する。 ここで収集し議論した経験のほとんどは、antアルゴリズムや particle swarm optimizationのような他のメタヒューリスティックの使用にも適用できます。 本稿では,MHの一般知識,特に最適化プロジェクトに適用したいEAについて述べる。 この目的のために、このようなプロジェクトの過程で生じる多くの疑問が解決される。 最後に、プロジェクト成功の重要性を過小評価する非技術プロジェクト管理の問題が議論される。

関連論文リスト

• Thinking LLMs: General Instruction Following with Thought Generation [56.30755438254918]
  本稿では,人体データの追加を使わずに,そのような思考能力を持つ既存LLMの訓練方法を提案する。 各命令に対して、思考候補は判断モデルを用いて応答のみを評価し、好みの最適化によって最適化される。 この手法がAlpacaEvalやArena-Hardに優れたパフォーマンスをもたらすことを示すとともに,マーケティング,健康,一般知識といった非合理的なカテゴリーの考え方から得られる利益を示す。
  論文  参考訳（メタデータ） (2024-10-14T15:38:56Z)
• The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
  LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。 本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
  論文  参考訳（メタデータ） (2023-12-01T16:00:25Z)
• Problem-Solving Guide: Predicting the Algorithm Tags and Difficulty for Competitive Programming Problems [7.955313479061445]
  ほとんどのテック企業は、Google、Meta、Amazonなど、アルゴリズムの問題を解決する能力を必要としている。 本研究は,アルゴリズムタグをエンジニアや開発者の有用なツールとして予測する作業に対処する。 また,この問題の解決に要する時間を計算するための有用なガイダンスとして,アルゴリズム問題の難易度を予測することを検討する。
  論文  参考訳（メタデータ） (2023-10-09T15:26:07Z)
• Discovering General Reinforcement Learning Algorithms with Adversarial Environment Design [54.39859618450935]
  メタ学習型更新ルールは,広範囲のRLタスクで良好に機能するアルゴリズムの発見を期待して,実現可能であることを示す。 Learned Policy Gradient (LPG)のようなアルゴリズムによる印象的な初期結果にもかかわらず、これらのアルゴリズムが目に見えない環境に適用される場合、まだギャップが残っている。 本研究では,メタ教師付き学習分布の特性が,これらのアルゴリズムの性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2023-10-04T12:52:56Z)
• OpenAGI: When LLM Meets Domain Experts [51.86179657467822]
  ヒューマン・インテリジェンス(HI)は、複雑なタスクを解くための基本的なスキルの組み合わせに長けている。 この機能は人工知能(AI)にとって不可欠であり、包括的なAIエージェントに組み込まれるべきである。 マルチステップで現実的なタスクを解決するために設計されたオープンソースのプラットフォームであるOpenAGIを紹介します。
  論文  参考訳（メタデータ） (2023-04-10T03:55:35Z)
• Optimal To-Do List Gamification for Long Term Planning [0.6882042556551609]
  Webやアプリサービスにメソッドを簡単にデプロイできるAPIをリリースしています。 我々は、最適なゲーミフィケーション手法の以前のバージョンを拡張し、すべての処理に十分な時間がない場合に、どのタスクをすべきで、実行すべきでないかを判断するためのサービスを追加します。 本研究では,様々なケーススタディにおいて,値イテレーションを用いて正確に計算したポイントと戦略の性能を比較して,インセンティブ付きTO-DOリストの精度を検証した。 その機能を実証するため、私たちはWebやアプリサービスにメソッドを簡単にデプロイできるAPIをリリースしました。
  論文  参考訳（メタデータ） (2021-09-14T08:06:01Z)
• Parameterless Gene-pool Optimal Mixing Evolutionary Algorithms [0.0]
  我々は、GOMEA(Gene-pool Optimal Mixing Evoutionary Algorithm)の最新バージョンを提示し、大幅な改良を提案する。 GOMEA と CGOMEA はオリジナルの GOMEA と DSMGA-II よりも高い性能を示した。
  論文  参考訳（メタデータ） (2021-09-11T11:35:14Z)
• Recent Developments in Program Synthesis with Evolutionary Algorithms [1.8047694351309207]
  関連する進化的プログラム合成手法を同定し,その性能を詳細に解析する。 私たちが特定する最も影響力のあるアプローチは、スタックベース、文法誘導、および線形遺伝プログラミングである。 今後の研究のために、研究者は、プログラムのアウトプットを使用して、ソリューションの品質を評価するだけでなく、ソリューションへの道を開くことを奨励します。
  論文  参考訳（メタデータ） (2021-08-27T11:38:27Z)
• Meta-aprendizado para otimizacao de parametros de redes neurais [0.9558392439655014]
  ANNの最適化におけるメタラーニングの利用について検討した。 ネットワークの隠れノード数を選択するためにメタラーニングを用いたケーススタディを行った。
  論文  参考訳（メタデータ） (2021-07-10T15:38:01Z)
• GeoQA: A Geometric Question Answering Benchmark Towards Multimodal Numerical Reasoning [172.36214872466707]
  我々は、テキスト記述、視覚図、定理知識の包括的理解を必要とする幾何学的問題を解くことに注力する。 そこで本研究では,5,010の幾何学的問題を含む幾何学的質問応答データセットGeoQAを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:34:17Z)
• A Brief Look at Generalization in Visual Meta-Reinforcement Learning [56.50123642237106]
  メタ強化学習アルゴリズムの一般化性能を評価する。 これらのアルゴリズムは、困難なタスクで評価された場合、強いオーバーフィッティングを示すことができる。
  論文  参考訳（メタデータ） (2020-06-12T15:17:17Z)

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。