Fugu-MT 論文翻訳(概要): Improving the Search by Encoding Multiple Solutions in a Chromosome

論文の概要: Improving the Search by Encoding Multiple Solutions in a Chromosome

arxiv url: http://arxiv.org/abs/2110.11239v1
Date: Wed, 13 Oct 2021 09:38:50 GMT
ステータス: 処理完了
システム内更新日: 2021-10-24 03:41:25.378051
Title: Improving the Search by Encoding Multiple Solutions in a Chromosome
Title（参考訳）: 染色体内の複数解のエンコードによる検索の改善
Authors: Mihai Oltean
Abstract要約: 単一染色体における問題の複数の解を符号化する可能性について検討する。いくつかの利益を得るためには、染色体復号法は染色体内の1つの溶液の場合と同じ複雑さでなければならない。数値実験により、染色体内の複数の解の符号化は探索過程を大幅に改善することが示された。
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: We investigate the possibility of encoding multiple solutions of a problem in a single chromosome. The best solution encoded in an individual will represent (will provide the fitness of) that individual. In order to obtain some benefits the chromosome decoding process must have the same complexity as in the case of a single solution in a chromosome. Three Genetic Programming techniques are analyzed for this purpose: Multi Expression Programming, Linear Genetic Programming, and Infix Form Genetic Programming. Numerical experiments show that encoding multiple solutions in a chromosome greatly improves the search process.
Abstract（参考訳）: 単一染色体における問題の複数解の符号化の可能性を検討する。個人にエンコードされた最良のソリューションは、その個人を表現する(適合性を提供する)でしょう。いくつかの利点を得るためには、染色体復号プロセスは染色体内の1つの溶液の場合と同じ複雑さを持つ必要がある。この目的のために、多重表現プログラミング、線形遺伝的プログラミング、修正形式遺伝的プログラミングの3つの遺伝的プログラミング技術が分析されている。数値実験により、染色体内の複数の解の符号化は探索過程を大幅に改善することが示された。

関連論文リスト

Genetic Instruct: Scaling up Synthetic Generation of Coding Instructions for Large Language Models [54.51932175059004]
本稿では,大規模言語モデルのコード生成能力を高めるために,合成命令を生成するスケーラブルな手法を提案する。提案したアルゴリズムは進化過程を模倣し、自己インストラクションを利用して限られた数の種子から多数の合成サンプルを生成する。
論文参考訳（メタデータ） (2024-07-29T20:42:59Z)
Evaluating Genetic Algorithms through the Approximability Hierarchy [55.938644481736446]
本稿では,問題の近似クラスに依存する遺伝的アルゴリズムの有用性を解析する。特に, 遺伝的アルゴリズムは階層の最も悲観的なクラスに特に有用であることを示す。
論文参考訳（メタデータ） (2024-02-01T09:18:34Z)
GEC-DePenD: Non-Autoregressive Grammatical Error Correction with Decoupled Permutation and Decoding [52.14832976759585]
文法的誤り訂正(GEC)は、通常自己回帰的なシーケンス・ツー・シーケンスモデルで解決される重要なNLPタスクである。本稿では, アーキテクチャを置換ネットワークに分離する, GEC に対する非自己回帰的アプローチを提案する。 GECの既知の非自己回帰手法よりもネットワークが向上することを示す。
論文参考訳（メタデータ） (2023-11-14T14:24:36Z)
Structural Analysis of Branch-and-Cut and the Learnability of Gomory Mixed Integer Cuts [88.94020638263467]
ブランチ・アンド・カット(ブランチ・アンド・カット)として知られる分岐・アンド・バウンドアルゴリズムにおける切断平面の組み入れは、現代の整数計画解法のバックボーンを形成する。入力整数プログラムに付加される切断平面を定義するパラメータの変化により、アルゴリズムの各ステップがどのように影響を受けるかをピン留めする、分岐切断の新たな構造解析を行う。この分析の主な応用は、機械学習を用いてブランチ・アンド・カット時にどの切断面を適用するかを決定するためのサンプルの複雑性保証を導出することである。
論文参考訳（メタデータ） (2022-04-15T03:32:40Z)
Encoding trade-offs and design toolkits in quantum algorithms for discrete optimization: coloring, routing, scheduling, and other problems [0.0]
離散最適化問題(整数型最適化問題)を直感的に合成・解析する手法を提案する。この方法は、符号化に依存しない離散量子中間表現(DQIR)を用いて表現される。第二に、複数のランタイムエンコーディングを比較した数値的研究を行う。第3に、我々は16レベルの量子変数までの低深度グラフ由来部分ミキサー(GDPM)を設計する。
論文参考訳（メタデータ） (2022-03-28T01:01:12Z)
Multi Expression Programming for solving classification problems [0.0]
Multi Expression Programming (MEP) は、単一の染色体に複数のソリューションをエンコードする遺伝的プログラミングの亜種である。本稿では,MEPの染色体パラダイムごとのテキストマルチソリューションにおいて,バイナリとマルチクラスの分類問題を解くためのいくつかの戦略を紹介し,深く解説する。
論文参考訳（メタデータ） (2022-03-16T13:11:50Z)
Deriving Smaller Orthogonal Arrays from Bigger Ones with Genetic Algorithm [1.370633147306388]
我々は,指定された行数を除去することで,より大きな配列から始まるバイナリ配列を構築するという問題を考察する。そこで本研究では, 塩基配列が, 開始OAからキャンセルされる線を指定する定数重二乗文字列である遺伝的アルゴリズムを開発した。基本パリティチェックアレイの複数ブロックのランダムな置換として初期OAを用いて,提案アルゴリズムの予備的検証を行う。
論文参考訳（メタデータ） (2021-11-25T12:06:24Z)
Multi Expression Programming -- an in-depth description [0.0]
MEP個人は複雑なコンピュータプログラムをコードする遺伝子の文字列である。ユニークなMEP機能は、問題の複数の解を単一の染色体に格納する能力である。
論文参考訳（メタデータ） (2021-09-29T01:57:18Z)
Evolving Digital Circuits for the Knapsack Problem [0.0]
マルチ表現プログラミング(Multi Expression Programming、MEP)は、線形染色体を用いた遺伝的プログラミングの亜種である。本稿では,NP-Complete問題,knapsack (subset sum)問題に対して,ディジタル回路の進化にマルチ表現プログラミングを用いる。
論文参考訳（メタデータ） (2021-08-21T15:48:50Z)
Determinantal Beam Search [75.84501052642361]
ビームサーチは、ニューラルシーケンスモデルをデコードするためのゴーツー戦略である。複数のソリューションを要求するユースケースでは、多様あるいは代表的なセットがしばしば望まれる。ビームサーチを一連の部分決定問題として繰り返し行うことにより、アルゴリズムを多種多様なサブセット選択プロセスに変換することができる。
論文参考訳（メタデータ） (2021-06-14T13:01:46Z)
Generating Correct Answers for Progressive Matrices Intelligence Tests [88.78821060331582]
Ravenのプログレッシブマトリクス(Progressive Matrices)は、複数選択のインテリジェンステストである。このテストに対処する以前の試みは、複数の選択肢の中から正しい回答を選択することに集中していました。この作業では、代わりに、定義によって難しいタスクである選択を見ることなく、グリッドに与えられた正しい回答を生成することに焦点を合わせます。
論文参考訳（メタデータ） (2020-11-01T13:21:07Z)

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。