論文の概要: Incorporating Surprisingly Popular Algorithm and Euclidean Distance-based Adaptive Topology into PSO

• arxiv url: http://arxiv.org/abs/2108.11173v3
• Date: Wed, 13 Sep 2023 00:57:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-14 19:02:43.137484
• Title: Incorporating Surprisingly Popular Algorithm and Euclidean Distance-based Adaptive Topology into PSO
• Title（参考訳）: 意外な人気アルゴリズムとユークリッド距離に基づく適応位相をPSOに組み込む
• Authors: Xuan Wu, Jizong Han, Di Wang, Pengyue Gao, Quanlong Cui, Liang Chen, Yanchun Liang, Han Huang, Heow Pueh Lee, Chunyan Miao, You Zhou, and Chunguo Wu
• Abstract要約: 我々は、フィットネスに加えて補足的指標としてSPA(Suprisingly Popular Algorithm)を採用している。 SPAと協調するユークリッド距離に基づく適応トポロジーを提案する。 提案手法は,小・中・大規模問題における最先端のPSO変種よりも性能が優れていることを示す。
• 参考スコア（独自算出の注目度）: 42.6811816733091
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While many Particle Swarm Optimization (PSO) algorithms only use fitness to assess the performance of particles, in this work, we adopt Surprisingly Popular Algorithm (SPA) as a complementary metric in addition to fitness. Consequently, particles that are not widely known also have the opportunity to be selected as the learning exemplars. In addition, we propose a Euclidean distance-based adaptive topology to cooperate with SPA, where each particle only connects to k number of particles with the shortest Euclidean distance during each iteration. We also introduce the adaptive topology into heterogeneous populations to better solve large-scale problems. Specifically, the exploration sub-population better preserves the diversity of the population while the exploitation sub-population achieves fast convergence. Therefore, large-scale problems can be solved in a collaborative manner to elevate the overall performance. To evaluate the performance of our method, we conduct extensive experiments on various optimization problems, including three benchmark suites and two real-world optimization problems. The results demonstrate that our Euclidean distance-based adaptive topology outperforms the other widely adopted topologies and further suggest that our method performs significantly better than state-of-the-art PSO variants on small, medium, and large-scale problems.
• Abstract（参考訳）: 多くのParticle Swarm Optimization (PSO)アルゴリズムは、粒子の性能を評価するためにのみ適合性を用いるが、本研究では、適合性に加えて補足的指標としてSPA(Suprisingly Popular Algorithm)を採用する。 その結果、広く知られていない粒子は、学習例として選択される機会もある。 さらに,spaと協調するためのユークリッド距離に基づく適応トポロジーを提案し,各粒子は各イテレーションにおいて最も短いユークリッド距離を持つk個の粒子にのみ接続する。 また, 適応トポロジを異種集団に導入し, 大規模問題の改善を図る。 特に、探鉱サブ人口は人口の多様性をよりよく保ち、搾取サブ人口は急速に収束する。 したがって、大規模な問題を協調的に解決して全体の性能を高めることができる。 本手法の性能を評価するために,ベンチマークスイート3つと実世界の最適化問題2つを含む様々な最適化問題に関する広範囲な実験を行った。 その結果、ユークリッド距離に基づく適応トポロジは、他の広く採用されているトポロジよりも優れており、また、我々の手法は、小、中、大規模問題における最先端のPSO変種よりもはるかに優れていることが示唆された。

関連論文リスト

• Training Greedy Policy for Proposal Batch Selection in Expensive Multi-Objective Combinatorial Optimization [52.80408805368928]
  本稿では,バッチ取得のための新しいグリーディ型サブセット選択アルゴリズムを提案する。 赤蛍光タンパク質に関する実験により,提案手法は1.69倍少ないクエリでベースライン性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-06-21T05:57:08Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Federated Compositional Deep AUC Maximization [58.25078060952361]
  本研究では,曲線(AUC)のスコアを直接最適化することにより,不均衡なデータに対する新しいフェデレート学習法を開発した。 私たちの知る限りでは、このような好ましい理論的な結果を達成した最初の作品である。
  論文  参考訳（メタデータ） (2023-04-20T05:49:41Z)
• On Large-Scale Multiple Testing Over Networks: An Asymptotic Approach [2.3072402651280517]
  この研究は、ネットワーク上での大規模多重テストのための通信および計算効率の手法の開発に関するものである。 提案手法は,分散設定に合わせて,比例マッチングとgreedyアグリゲーションという2つの手法を提案する。 どちらの方法も、FDRとパワーの両方に収束率を与える。
  論文  参考訳（メタデータ） (2022-11-29T10:10:39Z)
• Asymptotically Unbiased Instance-wise Regularized Partial AUC Optimization: Theory and Algorithm [101.44676036551537]
  One-way partial AUC (OPAUC) と Two-way partial AUC (TPAUC) はバイナリ分類器の平均性能を測定する。 既存の手法のほとんどはPAUCをほぼ最適化するしかなく、制御不能なバイアスにつながる。 本稿では,分散ロバスト最適化AUCによるPAUC問題の簡易化について述べる。
  論文  参考訳（メタデータ） (2022-10-08T08:26:22Z)
• Versatile Single-Loop Method for Gradient Estimator: First and Second Order Optimality, and its Application to Federated Learning [45.78238792836363]
  本稿では,SLEDGE (Single-Loop-E Gradient Estimator) という単一ループアルゴリズムを提案する。 既存の手法とは異なり、SLEDGEは、(ii)2階最適、(ii)PL領域における、(iii)少ないデータ以下の複雑さの利点を持つ。
  論文  参考訳（メタデータ） (2022-09-01T11:05:26Z)
• Cooperative coevolutionary hybrid NSGA-II with Linkage Measurement Minimization for Large-scale Multi-objective optimization [3.274290296343038]
  大規模多目的問題(LSMOP)に対する協調的共進化に基づく可変グルーピング法を提案する。 サブプロブレム最適化段階では,推定収束点に基づくガウスサンプリング演算子を用いたハイブリッドNSGA-IIを提案する。
  論文  参考訳（メタデータ） (2022-08-29T08:18:15Z)
• Using Particle Swarm Optimization as Pathfinding Strategy in a Space with Obstacles [4.899469599577755]
  Particle Swarm Optimization (PSO) は集団適応最適化に基づく探索アルゴリズムである。 本稿では,幅広いアプリケーションを対象としたパスプランニングの効率化を図るため,パスフィニング戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-16T12:16:02Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)

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。