論文の概要: An Enhanced Differential Evolution Algorithm Using a Novel Clustering-based Mutation Operator

• arxiv url: http://arxiv.org/abs/2109.09351v1
• Date: Mon, 20 Sep 2021 08:06:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 05:38:23.856686
• Title: An Enhanced Differential Evolution Algorithm Using a Novel Clustering-based Mutation Operator
• Title（参考訳）: 新しいクラスタリングに基づく変異演算子を用いた微分進化アルゴリズム
• Authors: Seyed Jalaleddin Mousavirad, Gerald Schaefer, Iakov Korovin, Mahshid Helali Moghadam, Mehrdad Saadatmand, Mahdi Pedram
• Abstract要約: 微分進化(DE)は、複雑な最適化問題を解くための効果的な集団に基づくメタヒューリスティックアルゴリズムである。 本稿では,新たなクラスタリングに基づく突然変異演算子を用いて,DEの有効性を向上させる新しいDEアルゴリズムClu-DEを提案する。
• 参考スコア（独自算出の注目度）: 3.0322311580775296
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Differential evolution (DE) is an effective population-based metaheuristic algorithm for solving complex optimisation problems. However, the performance of DE is sensitive to the mutation operator. In this paper, we propose a novel DE algorithm, Clu-DE, that improves the efficacy of DE using a novel clustering-based mutation operator. First, we find, using a clustering algorithm, a winner cluster in search space and select the best candidate solution in this cluster as the base vector in the mutation operator. Then, an updating scheme is introduced to include new candidate solutions in the current population. Experimental results on CEC-2017 benchmark functions with dimensionalities of 30, 50 and 100 confirm that Clu-DE yields improved performance compared to DE.
• Abstract（参考訳）: 微分進化(DE)は、複雑な最適化問題を解くための効果的な集団に基づくメタヒューリスティックアルゴリズムである。 しかし、deの性能は変異演算子に敏感である。 本稿では,新しいクラスタリングに基づく突然変異演算子を用いたdeの有効性を向上させる新しいdeアルゴリズムであるclu-deを提案する。 まず、クラスタリングアルゴリズムを用いて、検索空間における勝者クラスタを見つけ、このクラスタのベスト候補ソリューションを突然変異演算子のベースベクターとして選択する。 次に、現在の人口に新しい候補解を含むように更新方式を導入する。 CEC-2017ベンチマーク関数の寸法が30, 50, 100の試験結果から, Clu-DEはDに比べて性能が向上することを確認した。

関連論文リスト

• A Fresh Look at Generalized Category Discovery through Non-negative Matrix Factorization [83.12938977698988]
  Generalized Category Discovery (GCD) は、ラベル付きベースデータを用いて、ベース画像と新規画像の両方を分類することを目的としている。 現在のアプローチでは、コサイン類似性に基づく共起行列 $barA$ の固有の最適化に不適切に対処している。 本稿では,これらの欠陥に対処するNon-Negative Generalized Category Discovery (NN-GCD) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T07:24:11Z)
• Sample-efficient Bayesian Optimisation Using Known Invariances [56.34916328814857]
  バニラと制約付きBOアルゴリズムは、不変目的を最適化する際の非効率性を示す。 我々はこれらの不変カーネルの最大情報ゲインを導出する。 核融合炉用電流駆動システムの設計に本手法を用い, 高性能溶液の探索を行った。
  論文  参考訳（メタデータ） (2024-10-22T12:51:46Z)
• Modified LAB Algorithm with Clustering-based Search Space Reduction Method for solving Engineering Design Problems [0.7789406630452325]
  本稿では,改良型LABアルゴリズムを提案する。 提案アルゴリズムは、ルーレットホイールアプローチとグループ間競争を導入した還元係数を取り入れたものである。 アルゴリズムは改良され、より優れたロバスト性と探索空間探索能力を示した。
  論文  参考訳（メタデータ） (2023-10-04T12:35:13Z)
• Massively Parallel Genetic Optimization through Asynchronous Propagation of Populations [50.591267188664666]
  Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。 提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。 Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
  論文  参考訳（メタデータ） (2023-01-20T18:17:34Z)
• Accelerating the Evolutionary Algorithms by Gaussian Process Regression with $\epsilon$-greedy acquisition function [2.7716102039510564]
  本稿では,最適化の収束を早めるために,エリート個人を推定する新しい手法を提案する。 我々の提案には、エリート個人を推定し、最適化の収束を加速する幅広い見通しがある。
  論文  参考訳（メタデータ） (2022-10-13T07:56:47Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• HMS-OS: Improving the Human Mental Search Optimisation Algorithm by Grouping in both Search and Objective Space [10.61900641909722]
  目的空間と探索空間のクラスタリングに基づく新しいHMSアルゴリズムHMS-OSを提案する。 さらなる改善のために、HMSOSはメンタルサーチオペレーターにおけるメンタルプロセスの数を適応的に選択することで恩恵を受ける。
  論文  参考訳（メタデータ） (2021-11-19T12:56:33Z)
• Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
  通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。 我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。 我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
  論文  参考訳（メタデータ） (2021-06-08T15:54:44Z)
• Evolutionary Algorithm and Multifactorial Evolutionary Algorithm on Clustered Shortest-Path Tree problem [2.578242050187029]
  CluSPT(Clustered Shortest-Path Tree Problem)はNPハード問題である。 探索処理の性能を向上させるために,2つの手法を提案する。
  論文  参考訳（メタデータ） (2020-10-19T08:37:18Z)
• EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm for Constrained Global Optimization [68.8204255655161]
  EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。 これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。 その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
  論文  参考訳（メタデータ） (2020-07-09T10:19:22Z)
• Devolutionary genetic algorithms with application to the minimum labeling Steiner tree problem [0.0]
  本稿では、進化的遺伝的アルゴリズムを特徴付けるとともに、最小ラベル付けスタイナーツリー(MLST)問題を解く際の性能を評価する。 我々は、進化的アルゴリズムを、時間とともに超最適で実現不可能な解の集団を進化させることによって実現可能な解に到達する過程として定義する。 我々は, 交叉, 突然変異, 適合性などの古典的進化的概念が, 最適解, 最適解に到達するためにどのように適応できるかを示す。
  論文  参考訳（メタデータ） (2020-04-18T13:27:28Z)

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。