論文の概要: Adaptive Group Collaborative Artificial Bee Colony Algorithm

• arxiv url: http://arxiv.org/abs/2112.01215v1
• Date: Thu, 2 Dec 2021 13:33:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-03 16:49:49.392227
• Title: Adaptive Group Collaborative Artificial Bee Colony Algorithm
• Title（参考訳）: 適応群協調型人工蜂コロニーアルゴリズム
• Authors: Haiquan Wang, Hans-DietrichHaasis, Panpan Du, Xiaobin Xu, Menghao Su, Shengjun Wen, Wenxuan Yue, and Shanshan Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.843155301033512
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As an effective algorithm for solving complex optimization problems, artificial bee colony (ABC) algorithm has shown to be competitive, but the same as other population-based algorithms, it is poor at balancing the abilities of global searching in the whole solution space (named as exploration) and quick searching in local solution space which is defined as exploitation. For improving the performance of ABC, an adaptive group collaborative ABC (AgABC) algorithm is introduced where the population in different phases is divided to specific groups and different search strategies with different abilities are assigned to the members in groups, and the member or strategy which obtains the best solution will be employed for further searching. Experimental results on benchmark functions show that the proposed algorithm with dynamic mechanism is superior to other algorithms in searching accuracy and stability. Furthermore, numerical experiments show that the proposed method can generate the optimal solution for the complex scheduling problem.
• Abstract（参考訳）: 複雑な最適化問題を解決する効果的なアルゴリズムとして、人工蜂コロニー (abc) アルゴリズムは競争的であることが示されているが、他の集団ベースのアルゴリズムと同様に、全解空間(探索と呼ばれる)におけるグローバル探索の能力と、搾取として定義される局所解空間におけるクイック探索のバランスが不十分である。 abcの性能を向上させるために、異なる段階の集団を特定のグループに分け、異なる能力を持つ異なる探索戦略をグループ内のメンバーに割り当てる適応型グループ協調abc(agabc)アルゴリズムを導入し、最適な解決策を得るメンバーまたは戦略をさらなる探索に採用する。 ベンチマーク関数を用いた実験の結果,提案手法は他のアルゴリズムよりも精度と安定性が優れていることがわかった。 さらに,提案手法は複雑なスケジューリング問題に対する最適解を生成することができることを示す。

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)
• Modified LAB Algorithm with Clustering-based Search Space Reduction Method for solving Engineering Design Problems [0.7789406630452325]
  本稿では,改良型LABアルゴリズムを提案する。 提案アルゴリズムは、ルーレットホイールアプローチとグループ間競争を導入した還元係数を取り入れたものである。 アルゴリズムは改良され、より優れたロバスト性と探索空間探索能力を示した。
  論文  参考訳（メタデータ） (2023-10-04T12:35:13Z)
• A Reinforcement Learning-assisted Genetic Programming Algorithm for Team Formation Problem Considering Person-Job Matching [70.28786574064694]
  解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。 効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
  論文  参考訳（メタデータ） (2023-04-08T14:32:12Z)
• 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)
• OptABC: an Optimal Hyperparameter Tuning Approach for Machine Learning Algorithms [1.6114012813668934]
  OptABCは、ABCアルゴリズムがほぼ最適解へのより高速な収束を支援するために提案されている。 OptABCは、人工蜂コロニーアルゴリズム、K-Meansクラスタリング、greedyアルゴリズム、および反対ベースの学習戦略を統合している。 実験結果から,OptABCの有効性が文献の既存手法と比較された。
  論文  参考訳（メタデータ） (2021-12-15T22:33:39Z)
• 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)
• Combining K-means type algorithms with Hill Climbing for Joint Stratification and Sample Allocation Designs [0.0]
  これは、基本層のすべての可能な成層集合から最適成層を探索するサンプル問題である。 それぞれのソリューションのコストを評価するのに 費用がかかります 上記のアルゴリズムと最近の3つのアルゴリズムの多段階組み合わせを比較し、ソリューションコスト、評価時間、トレーニング時間を報告する。
  論文  参考訳（メタデータ） (2021-08-18T08:41:58Z)
• Algorithm Selection on a Meta Level [58.720142291102135]
  本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。 本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-20T11:23:21Z)
• An Overview and Experimental Study of Learning-based Optimization Algorithms for Vehicle Routing Problem [49.04543375851723]
  車両ルーティング問題(VRP)は典型的な離散最適化問題である。 多くの研究は、VRPを解決するための学習に基づく最適化アルゴリズムについて検討している。 本稿では、最近のこの分野の進歩を概観し、関連するアプローチをエンドツーエンドアプローチとステップバイステップアプローチに分割する。
  論文  参考訳（メタデータ） (2021-07-15T02:13:03Z)
• A Two-stage Framework and Reinforcement Learning-based Optimization Algorithms for Complex Scheduling Problems [54.61091936472494]
  本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。 スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。 その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
  論文  参考訳（メタデータ） (2021-03-10T03:16:12Z)
• 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)

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。