論文の概要: MCS-HMS: A Multi-Cluster Selection Strategy for the Human Mental Search Algorithm

• arxiv url: http://arxiv.org/abs/2111.10676v1
• Date: Sat, 20 Nov 2021 20:49:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 08:11:41.611525
• Title: MCS-HMS: A Multi-Cluster Selection Strategy for the Human Mental Search Algorithm
• Title（参考訳）: mcs-hms : 人的心的探索アルゴリズムのためのマルチクラスター選択戦略
• Authors: Ehsan Bojnordi, Seyed Jalaleddin Mousavirad, Gerald Schaefer, Iakov Korovin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.3127833924896173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Population-based metaheuristic algorithms have received significant attention in global optimisation. Human Mental Search (HMS) is a relatively recent population-based metaheuristic that has been shown to work well in comparison to other algorithms. However, HMS is time-consuming and suffers from relatively poor exploration. Having clustered the candidate solutions, HMS selects a winner cluster with the best mean objective function. This is not necessarily the best criterion to choose the winner group and limits the exploration ability of the algorithm. In this paper, we propose an improvement to the HMS algorithm in which the best bids from multiple clusters are used to benefit from enhanced exploration. We also use a one-step k-means algorithm in the clustering phase to improve the speed of the algorithm. Our experimental results show that MCS-HMS outperforms HMS as well as other population-based metaheuristic algorithms
• Abstract（参考訳）: 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。 しかし、HMSは時間がかかり、比較的貧弱な探検に苦しむ。 候補ソリューションをクラスタ化したHMSは、最も平均的な目的関数を持つ勝者クラスタを選択する。 これは必ずしも勝者群を選択し、アルゴリズムの探索能力を制限する最良の基準ではない。 本稿では,HMSアルゴリズムの改良について提案し,複数のクラスタからのベスト入札が探索の強化に有効であることを示す。 また,1ステップのk-meansアルゴリズムをクラスタリングフェーズで使用し,アルゴリズムの高速化を行った。 MCS-HMSがHMSと他の人口ベースメタヒューリスティックアルゴリズムより優れていることを示す実験結果を得た。

関連論文リスト

• A Modular Spatial Clustering Algorithm with Noise Specification [0.0]
  細菌ファームアルゴリズムは、閉じた実験農場の細菌の成長にインスパイアされている。 他のクラスタリングアルゴリズムとは対照的に、我々のアルゴリズムはクラスタリング中に除外されるノイズの量を規定する機能も備えている。
  論文  参考訳（メタデータ） (2023-09-18T18:05:06Z)
• 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)
• 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)
• An enhanced method of initial cluster center selection for K-means algorithm [0.0]
  K-meansアルゴリズムの初期クラスタ選択を改善するための新しい手法を提案する。 Convex Hullアルゴリズムは、最初の2つのセントロイドの計算を容易にし、残りの2つは、以前選択された中心からの距離に応じて選択される。 We obtained only 7.33%, 7.90%, and 0% clustering error in Iris, Letter, and Ruspini data。
  論文  参考訳（メタデータ） (2022-10-18T00:58:50Z)
• 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)
• HMS-OS: Improving the Human Mental Search Optimisation Algorithm by Grouping in both Search and Objective Space [10.61900641909722]
  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。
  論文  参考訳（メタデータ） (2021-11-19T12:56:33Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• Differentially Private Clustering: Tight Approximation Ratios [57.89473217052714]
  基本的なクラスタリング問題に対して,効率的な微分プライベートアルゴリズムを提案する。 この結果から,SampleとAggregateのプライバシーフレームワークのアルゴリズムの改善が示唆された。 1-Clusterアルゴリズムで使用されるツールの1つは、ClosestPairのより高速な量子アルゴリズムを適度な次元で得るために利用できる。
  論文  参考訳（メタデータ） (2020-08-18T16:22:06Z)
• Run2Survive: A Decision-theoretic Approach to Algorithm Selection based on Survival Analysis [75.64261155172856]
  生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。 我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。 標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2020-07-06T15:20:17Z)
• 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。