論文の概要: HMS-OS: Improving the Human Mental Search Optimisation Algorithm by
Grouping in both Search and Objective Space
- arxiv url: http://arxiv.org/abs/2111.10188v2
- Date: Fri, 3 Dec 2021 16:19:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 10:12:34.006370
- Title: HMS-OS: Improving the Human Mental Search Optimisation Algorithm by
Grouping in both Search and Objective Space
- Title（参考訳）: HMS-OS:検索空間と目的空間の両方でグループ化による人間のメンタル検索最適化アルゴリズムの改善
- Authors: Seyed Jalaleddin Mousavirad, Gerald Schaefer, Iakov Korovin, Diego
Oliva, Mahshid Helali Moghadam, Mehrdad Saadatmand
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.61900641909722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The human mental search (HMS) algorithm is a relatively recent
population-based metaheuristic algorithm, which has shown competitive
performance in solving complex optimisation problems. It is based on three main
operators: mental search, grouping, and movement. In the original HMS
algorithm, a clustering algorithm is used to group the current population in
order to identify a promising region in search space, while candidate solutions
then move towards the best candidate solution in the promising region. In this
paper, we propose a novel HMS algorithm, HMS-OS, which is based on clustering
in both objective and search space, where clustering in objective space finds a
set of best candidate solutions whose centroid is then also used in updating
the population. For further improvement, HMSOS benefits from an adaptive
selection of the number of mental processes in the mental search operator.
Experimental results on CEC-2017 benchmark functions with dimensionalities of
50 and 100, and in comparison to other optimisation algorithms, indicate that
HMS-OS yields excellent performance, superior to those of other methods.
- Abstract（参考訳）: 人間のメンタルサーチ(HMS)アルゴリズムは比較的最近の人口ベースメタヒューリスティックアルゴリズムであり、複雑な最適化問題の解法における競合性能を示している。
それは精神的な探索、グループ化、運動という3つの主要なオペレーターに基づいている。
オリジナルのhmsアルゴリズムでは、探索空間内の有望な領域を特定するために現在の人口をグループ化するためにクラスタリングアルゴリズムが使われ、候補解は有望な領域において最適な候補解に向かって移動する。
本稿では,目的空間と探索空間の両方における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のメンタルプロセス数を適応的に選択することで恩恵を受ける。
CEC-2017ベンチマーク関数の次元は50と100であり、他の最適化アルゴリズムと比較すると、HMS-OSは他の手法よりも優れた性能を示す。
関連論文リスト
- Faster Optimal Coalition Structure Generation via Offline Coalition Selection and Graph-Based Search [61.08720171136229]
本稿では,3つの革新的手法のハイブリッド化に基づく問題に対する新しいアルゴリズムSMARTを提案する。
これらの2つの手法は動的プログラミングに基づいており、評価のために選択された連立関係とアルゴリズムの性能の強力な関係を示す。
我々の手法は、問題にアプローチする新しい方法と、その分野に新しいレベルの精度をもたらす。
論文 参考訳（メタデータ） (2024-07-22T23:24:03Z) - A Hybrid Chimp Optimization Algorithm and Generalized Normal
Distribution Algorithm with Opposition-Based Learning Strategy for Solving
Data Clustering Problems [0.0]
本稿では、類似データと異種データを異なるグループに分類するコネクティビティ原則に基づいて、クラスタを分離するデータクラスタリングについて検討する。
メタヒューリスティック最適化アルゴリズムとインテリジェンスに基づく手法が,最適解を妥当な時間で達成するために導入された。
論文 参考訳（メタデータ） (2023-02-16T23:29:01Z) - 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) - Adaptive Group Collaborative Artificial Bee Colony Algorithm [12.843155301033512]
人工蜂コロニー(ABC)アルゴリズムは競争力があることが示されている。
解空間全体(探索と呼ばれる)におけるグローバル探索の能力のバランスが取れず、局所解空間における迅速な探索が難しい。
ABCの性能向上のために,適応グループ協調ABC(AgABC)アルゴリズムを導入した。
論文 参考訳（メタデータ） (2021-12-02T13:33:37Z) - MCS-HMS: A Multi-Cluster Selection Strategy for the Human Mental Search
Algorithm [2.3127833924896173]
人口ベースメタヒューリスティックアルゴリズムは、グローバルな最適化において大きな注目を集めている。
HMS(Human Mental Search)は比較的最近の人口ベースメタヒューリスティックであり、他のアルゴリズムと比較してうまく機能することが示されている。
我々は,複数のクラスタからのベスト入札が探索の強化の恩恵を受けるHMSの改良を提案する。
論文 参考訳（メタデータ） (2021-11-20T20:49:52Z) - 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) - 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) - 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) - BOP-Elites, a Bayesian Optimisation algorithm for Quality-Diversity
search [0.0]
本稿では,エリートアルゴリズム(BOP-Elites)のベイズ最適化を提案する。
機能領域のユーザ定義領域を‘ニッチ’として考えることで、ニッチ毎に最適なソリューションを見つけることが私たちのタスクになります。
得られたアルゴリズムは、特徴空間におけるニッチに属する探索空間の部分を特定し、ニッチごとに最適な解を見つけるのに非常に効果的である。
論文 参考訳（メタデータ） (2020-05-08T23:49:13Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2019-10-14T09:18:26Z)
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。