論文の概要: Influence of Binomial Crossover on Approximation Error of Evolutionary Algorithms

• arxiv url: http://arxiv.org/abs/2109.14195v3
• Date: Mon, 15 Aug 2022 15:13:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-13 05:17:15.802204
• Title: Influence of Binomial Crossover on Approximation Error of Evolutionary Algorithms
• Title（参考訳）: 二項クロスオーバーが進化アルゴリズムの近似誤差に及ぼす影響
• Authors: Cong Wang and Jun He and Yu Chen and Xiufen Zou
• Abstract要約: 本稿では,二項交叉が進化的アルゴリズムの近似誤差を低減できるかどうかを問う。 二項交叉は遷移行列の優位性をもたらすことが証明された。 知覚上の二項交叉の優位性を高めるための適応的パラメータ戦略を提案する。
• 参考スコア（独自算出の注目度）: 10.984298685238445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although differential evolution (DE) algorithms perform well on a large variety of complicated optimization problems, only a few theoretical studies are focused on the working principle of DE algorithms. To make the first attempt to reveal the function of binomial crossover, this paper aims to answer whether it can reduce the approximation error of evolutionary algorithms. By investigating the expected approximation error and the probability of not finding the optimum, we conduct a case study comparing two evolutionary algorithms with and without binomial crossover on two classical benchmark problems: OneMax and Deceptive. It is proven that using binomial crossover leads to the dominance of transition matrices. As a result, the algorithm with binomial crossover asymptotically outperforms that without crossover on both OneMax and Deceptive, and outperforms on OneMax, however, not on Deceptive. Furthermore, an adaptive parameter strategy is proposed which can strengthen the superiority of binomial crossover on Deceptive.
• Abstract（参考訳）: 微分進化(DE)アルゴリズムは、様々な複雑な最適化問題に対してよく機能するが、Dアルゴリズムの動作原理に焦点をあてる理論的な研究はほとんどない。 本論文は,二項クロスオーバーの関数を明らかにする最初の試みとして,進化的アルゴリズムの近似誤差を低減できるかどうかを問うものである。 推定近似誤差と最適値を見出さない確率を調べることで,二項クロスオーバーのない2つの進化アルゴリズムを,従来のベンチマーク問題である onemax と deceptive を比較したケーススタディを行う。 二項交叉は遷移行列の優位性をもたらすことが証明された。 その結果、二項交叉アルゴリズムはOneMaxとDeceptiveの両方でクロスオーバーすることなく漸近的に性能を上回り、OneMaxでは性能が上回っている。 さらに,二項クロスオーバーのデセプティブに対する優越性を高めるための適応パラメータ戦略を提案する。

関連論文リスト

• Runtime Analysis of a Multi-Valued Compact Genetic Algorithm on Generalized OneMax [2.07180164747172]
  一般化されたOneMax関数の最初のランタイム解析を提供する。 r-cGAはこのr値のOneMax問題を効率的に解くことを示す。 実験の最後には、多値OneMax関数の別の変種が期待されるランタイムに関する予想を述べる。
  論文  参考訳（メタデータ） (2024-04-17T10:40:12Z)
• Stochastic Optimization for Non-convex Problem with Inexact Hessian Matrix, Gradient, and Function [99.31457740916815]
  信頼領域(TR)と立方体を用いた適応正則化は、非常に魅力的な理論的性質を持つことが証明されている。 TR法とARC法はヘッセン関数,勾配関数,関数値の非コンパクトな計算を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2023-10-18T10:29:58Z)
• Crossover Can Guarantee Exponential Speed-Ups in Evolutionary Multi-Objective Optimisation [4.212663349859165]
  本稿では,よく知られたEMOアルゴリズムGSEMOとNSGA-IIの理論的解析を行う。 免疫刺激による過変異は指数的最適化時間を回避することはできない。
  論文  参考訳（メタデータ） (2023-01-31T15:03:34Z)
• Fast Computation of Optimal Transport via Entropy-Regularized Extragradient Methods [75.34939761152587]
  2つの分布間の最適な輸送距離の効率的な計算は、様々な応用を促進するアルゴリズムとして機能する。 本稿では,$varepsilon$加法精度で最適な輸送を計算できるスケーラブルな一階最適化法を提案する。
  論文  参考訳（メタデータ） (2023-01-30T15:46:39Z)
• An Application of a Multivariate Estimation of Distribution Algorithm to Cancer Chemotherapy [59.40521061783166]
  癌に対する化学療法治療は、多数の相互作用する変数と制約を持つ複雑な最適化問題である。 より洗練されたアルゴリズムは、このような複雑な問題に対してより良いパフォーマンスをもたらすことが示される。 我々は、この問題における多数の相互作用によって、より洗練されたアルゴリズムが妨げられていることが原因であると仮定する。
  論文  参考訳（メタデータ） (2022-05-17T15:28:46Z)
• A novel multiobjective evolutionary algorithm based on decomposition and multi-reference points strategy [14.102326122777475]
  分解に基づく多目的進化アルゴリズム(MOEA/D)は、多目的最適化問題(MOP)を解く上で、極めて有望なアプローチであると考えられている。 本稿では,よく知られたPascoletti-Serafiniスキャラライゼーション法とマルチ参照ポイントの新たな戦略により,MOEA/Dアルゴリズムの改良を提案する。
  論文  参考訳（メタデータ） (2021-10-27T02:07:08Z)
• Recent Theoretical Advances in Non-Convex Optimization [56.88981258425256]
  近年、深層ネットワークにおける非最適化アルゴリズムの解析やデータ問題への関心が高まっており、非最適化のための理論的最適化アルゴリズムの最近の結果の概要を概説する。
  論文  参考訳（メタデータ） (2020-12-11T08:28:51Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• Benchmarking a $(\mu+\lambda)$ Genetic Algorithm with Configurable Crossover Probability [4.33419118449588]
  我々は、突然変異またはランダムに選択された2人の親の再結合によって子孫を生成する、$(mu+lambda)$ Genetic Algorithms (GAs)の家系を調査する。 クロスオーバー確率を拡大することにより、完全突然変異のみのアルゴリズムから完全クロスオーバーベースGAへの補間が可能となる。
  論文  参考訳（メタデータ） (2020-06-10T15:22:44Z)
• Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
  このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。 我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。 得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
  論文  参考訳（メタデータ） (2020-02-21T17:45:32Z)

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。