論文の概要: Searching for a practical evidence of the No Free Lunch theorems

• arxiv url: http://arxiv.org/abs/2109.13738v1
• Date: Sat, 21 Aug 2021 19:28:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 21:02:16.775168
• Title: Searching for a practical evidence of the No Free Lunch theorems
• Title（参考訳）: no free lunch theorems の実際的証明を求めて
• Authors: Mihai Oltean
• Abstract要約: No Free Lunch (NFL) の定理によると、最適化問題全体と比較すると、すべてのブラックボックスアルゴリズムは等しくうまく機能する。 与えられたアルゴリズムAが、与えられたアルゴリズムBより優れているテスト関数を進化させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: According to the No Free Lunch (NFL) theorems all black-box algorithms perform equally well when compared over the entire set of optimization problems. An important problem related to NFL is finding a test problem for which a given algorithm is better than another given algorithm. Of high interest is finding a function for which Random Search is better than another standard evolutionary algorithm. In this paper, we propose an evolutionary approach for solving this problem: we will evolve test functions for which a given algorithm A is better than another given algorithm B. Two ways for representing the evolved functions are employed: as GP trees and as binary strings. Several numerical experiments involving NFL-style Evolutionary Algorithms for function optimization are performed. The results show the effectiveness of the proposed approach. Several test functions for which Random Search performs better than all other considered algorithms have been evolved.
• Abstract（参考訳）: No Free Lunch (NFL) の定理によると、最適化問題全体と比較すると、すべてのブラックボックスアルゴリズムは等しくうまく機能する。 nflに関連する重要な問題は、あるアルゴリズムが別のアルゴリズムよりも優れているというテスト問題を見つけることである。 興味深いのは、ランダム検索が他の標準進化アルゴリズムよりも優れている関数を見つけることである。 本稿では,この問題を解決するための進化的アプローチを提案する。与えられたアルゴリズムaが他のアルゴリズムbよりも優れているようなテスト関数を進化させる。 関数最適化のためのNFLスタイルの進化的アルゴリズムを含む数値実験を行った。 その結果,提案手法の有効性が示された。 ランダム検索が他の考慮されたアルゴリズムよりも優れているいくつかのテスト関数が進化してきた。

関連論文リスト

• Gradient-free optimization of highly smooth functions: improved analysis and a new algorithm [87.22224691317766]
  この研究は、目的関数が極めて滑らかであるという仮定の下で、ゼロ次ノイズオラクル情報による問題を研究する。 ゼロオーダー射影勾配勾配アルゴリズムを2種類検討する。
  論文  参考訳（メタデータ） (2023-06-03T17:05:13Z)
• HARRIS: Hybrid Ranking and Regression Forests for Algorithm Selection [75.84584400866254]
  両アプローチの強みを両アプローチの弱さを緩和しつつ組み合わせ, 特殊林を利用した新しいアルゴリズムセレクタを提案する。 HARRISの決定は、ハイブリッドランキングと回帰損失関数に基づいて最適化された木を作成する森林モデルに基づいている。
  論文  参考訳（メタデータ） (2022-10-31T14:06:11Z)
• Choosing the Right Algorithm With Hints From Complexity Theory [16.33500498939925]
  我々は,メトロポリスのアルゴリズムが,合理的な問題サイズを考慮に入れた全てのアルゴリズムの中で,明らかに最良のものであることを示す。 このタイプの人工アルゴリズムは、$O(n log n)$ランタイムを持つので、重要度に基づくコンパクト遺伝的アルゴリズム(sig-cGA)は、高い確率で、DLB問題を解くことができる。
  論文  参考訳（メタデータ） (2021-09-14T11:12:32Z)
• Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
  バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。 両レベル最適化のための2つの新しいアルゴリズムを提案する。 両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-08T21:05:30Z)
• Bayesian Algorithm Execution: Estimating Computable Properties of Black-box Functions Using Mutual Information [78.78486761923855]
  多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。 本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。 これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
  論文  参考訳（メタデータ） (2021-04-19T17:22:11Z)
• Double Coverage with Machine-Learned Advice [100.23487145400833]
  オンラインの基本的な$k$-serverの問題を学習強化環境で研究する。 我々のアルゴリズムは任意の k に対してほぼ最適の一貫性-破壊性トレードオフを達成することを示す。
  論文  参考訳（メタデータ） (2021-03-02T11:04:33Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• Performance Analysis of Meta-heuristic Algorithms for a Quadratic Assignment Problem [6.555180412600522]
  二次代入問題 (QAP) はNPハード問題に属する最適化問題である。 ヒューリスティックスとメタヒューリスティックスアルゴリズムはこの問題の一般的な解法である。 本稿では,QAPの解法に異なるメタヒューリスティックアルゴリズムを適用するための比較研究の1つである。
  論文  参考訳（メタデータ） (2020-07-29T15:02:07Z)
• Benchmarking Meta-heuristic Optimization [0.0]
  多くのメタヒューリスティックアルゴリズムは非線形関数を解く際に非常に効率的である。 メタヒューリスティックアルゴリズムは、幅広い問題に適用できる問題に依存しない手法である。
  論文  参考訳（メタデータ） (2020-07-27T12:25:31Z)
• First Steps Towards a Runtime Analysis When Starting With a Good Solution [8.34061303235504]
  現実的な応用では、ランダムな解よりも優れた解を推測することができる。 我々は、異なるアルゴリズムがより良い初期解と全く異なる程度に利益を得ることを示す。 このことは、進化的アルゴリズムが良い初期解をうまく活用していることがまだ見つからないことを示唆している。
  論文  参考訳（メタデータ） (2020-06-22T11:46:42Z)
• Improved Binary Artificial Bee Colony Algorithm [0.0]
  Artificial Bee Colony (ABC)アルゴリズムは、Swarmインテリジェンスに基づく進化的最適化アルゴリズムである。 我々はABCアルゴリズムを改良してバイナリ最適化問題を解き、それを改良されたバイナリ・ビーコロニー (ibinABC) と呼ぶ。 提案手法は,適合度値に基づく更新機構と,異なる数の決定変数の処理により構成される。
  論文  参考訳（メタデータ） (2020-03-12T17:22:52Z)

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。