論文の概要: Minimal Conditions for Beneficial Local Search

• arxiv url: http://arxiv.org/abs/2110.08741v3
• Date: Sun, 6 Feb 2022 08:25:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-11 06:19:30.167347
• Title: Minimal Conditions for Beneficial Local Search
• Title（参考訳）: 有益地域探索のための最小条件
• Authors: Mark G Wallace
• Abstract要約: 本稿では,問題の解決において,現在の解の近傍で探索することがなぜ有益であるかを考察する。 本論文は, 近辺探索が盲点探索よりも有益であることを示す2つの新しい証明を支持する問題と近隣領域の特性を同定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper investigates why it is beneficial, when solving a problem, to search in the neighbourhood of a current solution. The paper identifies properties of problems and neighbourhoods that support two novel proofs that neighbourhood search is beneficial over blind search. These are: firstly a proof that search within the neighbourhood is more likely to find an improving solution in a single search step than blind search; and secondly a proof that a local improvement, using a sequence of neighbourhood search steps, is likely to achieve a greater improvement than a sequence of blind search steps. To explore the practical impact of these properties, a range of problem sets and neighbourhoods are generated, where these properties are satisfied to different degrees. Experiments reveal that the benefits of neighbourhood search vary dramatically in consequence. Random problems of a classical combinatorial optimisation problem are analysed, in order to demonstrate that the underlying theory is reflected in practice.
• Abstract（参考訳）: 本稿では,問題の解決において,現在の解の近傍で探索することがなぜ有用かを検討する。 本論文は,隣接探索がブラインド探索に有益であることを示す2つの新しい証明を支持する問題と近傍の特性を明らかにする。 第一に、近隣の検索がブラインド検索よりも単一の検索ステップで改善ソリューションを見つける可能性が高いことの証明、第二に、近隣の検索ステップのシーケンスを使用するローカル改善が、ブラインド検索ステップのシーケンスよりも大幅に改善される可能性が高いことの証明である。 これらの特性の実際的な影響を調べるために、様々な問題集合と近隣が生成され、それらの特性は異なる程度に満たされる。 実験の結果、近隣探索の利点は劇的に変化することが明らかとなった。 古典的組合せ最適化問題のランダム問題は、基礎理論が実際に反映されていることを示すために分析される。

関連論文リスト

• Minimal Conditions for Beneficial Neighbourhood Search and Local Descent [0.0]
  近隣住民の検索は、ブラインド検索よりも単一の検索ステップで改善されたソリューションを見出す傾向にある。 実験により、目標tが与えられた局所ブラインド降下は、開始コストで局所降下に切り替えるべきであることが示され、tが最適に近づくにつれて減少する。
  論文  参考訳（メタデータ） (2024-11-08T01:47:40Z)
• Illuminating the Diversity-Fitness Trade-Off in Black-Box Optimization [9.838618121102053]
  現実世界のアプリケーションでは、ユーザーは1つの高品質なソリューションよりも構造的に多様な設計選択を好むことが多い。 本稿では, この課題に対する新たな視点として, 与えられたしきい値を超えるペア距離の一定数の解を同定する問題を考察する。
  論文  参考訳（メタデータ） (2024-08-29T09:55:55Z)
• PathFinder: Guided Search over Multi-Step Reasoning Paths [80.56102301441899]
  木探索に基づく推論経路生成手法であるPathFinderを提案する。 動的デコードの統合により、多様な分岐とマルチホップ推論を強化する。 我々のモデルは、大きな分岐因子を持つビームサーチに類似した複雑さを反映して、よく、長く、目に見えない推論連鎖を一般化する。
  論文  参考訳（メタデータ） (2023-12-08T17:05:47Z)
• PSDiff: Diffusion Model for Person Search with Iterative and Collaborative Refinement [59.6260680005195]
  本稿では,拡散モデルであるPSDiffに基づく新しいPerson Searchフレームワークを提案する。 PSDiffは、ノイズの多いボックスとReID埋め込みから地上の真実へのデュアルデノケーションプロセスとして検索する人を定式化する。 新しいパラダイムに従って、我々は、反復的かつ協調的な方法で検出とReIDサブタスクを最適化する新しいコラボレーティブ・デノナイジング・レイヤ(CDL)を設計する。
  論文  参考訳（メタデータ） (2023-09-20T08:16:39Z)
• Analysing the Predictivity of Features to Characterise the Search Space [1.5484595752241122]
  良好な特徴を持つ探索空間は、問題状態が新しい問題状態を生成するための演算子の集合にマッピングされるのを助けることができる。 本稿では,ランドスケープ解析に基づく特徴集合を,最も著名な機械学習手法を用いて分析した。 提案手法は, 最適分類を決定するために, 特徴集合の予測係数を解析する。
  論文  参考訳（メタデータ） (2022-09-11T20:04:17Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• Selection-Expansion: A Unifying Framework for Motion-Planning and Diversity Search Algorithms [69.87173070473717]
  本稿では,2つの多様性探索アルゴリズム,ノベルティ探索アルゴリズムとゴール探索処理アルゴリズムの特性について検討する。 mpアルゴリズムとの関係は、ポリシーパラメータ空間と結果空間の間のマッピングの滑らかさ、あるいは滑らかさの欠如が検索効率において重要な役割を担っていることを示している。
  論文  参考訳（メタデータ） (2021-04-10T13:52:27Z)
• BR-NS: an Archive-less Approach to Novelty Search [70.13948372218849]
  行動認識に基づく新規性探索(BR-NS)という,新規性推定の代替手法について議論する。 BR-NSはアーカイブを必要とせず、行動空間で定義できるメトリクスを前提にせず、近隣の検索に依存しません。 我々は、その実現可能性とダイナミクス、および時間複雑性の観点からアーカイブベースのnsよりも潜在的に有利な点について洞察を得るために実験を行う。
  論文  参考訳（メタデータ） (2021-04-08T17:31:34Z)
• Sparse Reward Exploration via Novelty Search and Emitters [55.41644538483948]
  本稿では,SparsE Reward Exploration via Novelty and Emitters (SERENE)アルゴリズムを提案する。 SERENEは、探索空間の探索と報酬の搾取を2つの交互プロセスに分けている。 メタスケジューラは、2つのプロセス間の交互にグローバルな計算予算を割り当てる。
  論文  参考訳（メタデータ） (2021-02-05T12:34:54Z)
• The Neighbours' Similar Fitness Property for Local Search [5.049586563330359]
  近隣住民の類似性度 (NSF) は, 地域的改善の観点から, 地域探索の優れた性能を生かしている。 NSFは、良い解の隣人の間で改善を求めるのがランダムな探索より優れていることを保証するには不十分である。 本稿では,NSFの景観において,近隣の探索がランダム検索に勝るという一般的な証明を支持する,追加の(自然な)特性を紹介する。
  論文  参考訳（メタデータ） (2020-01-09T07:53:56Z)

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。