論文の概要: ANA: Ant Nesting Algorithm for Optimizing Real-World Problems
- arxiv url: http://arxiv.org/abs/2112.05839v1
- Date: Sat, 4 Dec 2021 08:55:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-05 18:17:20.688018
- Title: ANA: Ant Nesting Algorithm for Optimizing Real-World Problems
- Title（参考訳）: ANA: 実世界の問題を最適化するためのAnt Nestingアルゴリズム
- Authors: Deeam Najmadeen Hama Rashid, Tarik A. Rashid and Seyedali Mirjalili
- Abstract要約: アリネストアルゴリズム(ANA)と呼ばれる新しいインテリジェントスワムの提案
このアルゴリズムはLeptothorax antsにインスパイアされ、新しい巣を作りながら穀物を堆積する位置を探すアリの行動を模倣している。
ANAは、変更率を追加することで、検索エージェントの位置を更新する連続アルゴリズムであると考えられている。
- 参考スコア（独自算出の注目度）: 21.95618652596178
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, a novel swarm intelligent algorithm is proposed called ant
nesting algorithm (ANA). The algorithm is inspired by Leptothorax ants and
mimics the behavior of ants searching for positions to deposit grains while
building a new nest. Although the algorithm is inspired by the swarming
behavior of ants, it does not have any algorithmic similarity with the ant
colony optimization (ACO) algorithm. It is worth mentioning that ANA is
considered a continuous algorithm that updates the search agent position by
adding the rate of change (e.g., step or velocity). ANA computes the rate of
change differently as it uses previous, current solutions, fitness values
during the optimization process to generate weights by utilizing the
Pythagorean theorem. These weights drive the search agents during the
exploration and exploitation phases. The ANA algorithm is benchmarked on 26
well-known test functions, and the results are verified by a comparative study
with genetic algorithm (GA), particle swarm optimization (PSO), dragonfly
algorithm (DA), five modified versions of PSO, whale optimization algorithm
(WOA), salp swarm algorithm (SSA), and fitness dependent optimizer (FDO). ANA
outperformances these prominent metaheuristic algorithms on several test cases
and provides quite competitive results. Finally, the algorithm is employed for
optimizing two well-known real-world engineering problems: antenna array design
and frequency-modulated synthesis. The results on the engineering case studies
demonstrate the proposed algorithm's capability in optimizing real-world
problems.
- Abstract（参考訳）: 本稿では, ant nesting algorithm (ana) と呼ばれる新しい群知能アルゴリズムを提案する。
このアルゴリズムはLeptothorax antsにインスパイアされ、新しい巣を作りながら穀物を堆積する位置を探すアリの行動を模倣している。
このアルゴリズムはアリの群れ行動に触発されているが、アリコロニー最適化 (ant colony optimization, aco) アルゴリズムとアルゴリズム的な類似性はない。
ANAは、変更率(ステップやベロシティなど)を加算することで、検索エージェントの位置を更新する連続アルゴリズムであると考えられることに注意する必要がある。
ANAは、ピタゴラスの定理を利用して、最適化プロセスの前の現在の解、最適化中の適合度値を使用するように、変化率を異なる方法で計算する。
これらの重みは探索と搾取の段階で捜索エージェントを駆動する。
anaアルゴリズムは26のよく知られたテスト関数に基づいてベンチマークされ、その結果は遺伝的アルゴリズム(ga)、粒子群最適化(pso)、ドラゴンフライアルゴリズム(da)、psoの5つの改良版、クジラ最適化アルゴリズム(woa)、salp swarmアルゴリズム(ssa)、フィットネス依存最適化(fdo)との比較研究によって検証される。
ANAはこれらの顕著なメタヒューリスティックアルゴリズムをいくつかのテストケースで上回り、非常に競争力のある結果をもたらす。
最後に、このアルゴリズムはアンテナアレー設計と周波数変調合成という2つのよく知られた実世界のエンジニアリング問題を最適化するために用いられる。
工学ケーススタディでは,実世界の問題を最適化するアルゴリズムの能力を実証した。
関連論文リスト
- Frog-Snake prey-predation Relationship Optimization (FSRO) : A novel nature-inspired metaheuristic algorithm for feature selection [0.0]
本研究では,Frog-Snake prey-predation Relationship Optimization (FSRO)アルゴリズムを提案する。
カエルとヘビの捕食関係から着想を得て、離散最適化問題に適用した。
提案アルゴリズムは26種類の機械学習データセットを用いて特徴選択に関する計算実験を行う。
論文 参考訳（メタデータ） (2024-02-13T06:39:15Z) - Performance Evaluation of Evolutionary Algorithms for Analog Integrated
Circuit Design Optimisation [0.0]
本稿では,アナログ回路の自動サイズ化手法について述べる。
探索空間を対象とする探索は粒子生成関数と補修バウンド関数を用いて実装されている。
アルゴリズムは、より良い最適解に収束するように調整され、修正される。
論文 参考訳（メタデータ） (2023-10-19T03:26:36Z) - GOOSE Algorithm: A Powerful Optimization Tool for Real-World Engineering Challenges and Beyond [4.939986309170004]
GOOSEアルゴリズムは19のよく知られたテスト関数でベンチマークされる。
提案アルゴリズムは, 最新のベンチマーク関数10を用いて検証する。
得られた結果は,提案アルゴリズムの優れた性能を示すものである。
論文 参考訳（メタデータ） (2023-07-19T19:14:25Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - Duck swarm algorithm: theory, numerical optimization, and applications [6.244015536594532]
本研究では,Duck Swarm Algorithm (DSA) という,群知能に基づく最適化アルゴリズムを提案する。
2つのルールは、提案されたDSAの探索と利用段階に対応するアヒルの餌の発見と採餌からモデル化される。
その結果, DSAは収束速度と探索・探索のバランスの観点から, 高性能な最適化手法であることがわかった。
論文 参考訳（メタデータ） (2021-12-27T04:53:36Z) - An Accelerated Variance-Reduced Conditional Gradient Sliding Algorithm
for First-order and Zeroth-order Optimization [111.24899593052851]
条件勾配アルゴリズム(Frank-Wolfeアルゴリズムとも呼ばれる)は、最近、機械学習コミュニティで人気を取り戻している。
ARCSは、ゼロ階最適化において凸問題を解く最初のゼロ階条件勾配スライディング型アルゴリズムである。
1次最適化では、ARCSの収束結果は、勾配クエリのオラクルの数で、従来のアルゴリズムよりも大幅に優れていた。
論文 参考訳（メタデータ） (2021-09-18T07:08:11Z) - Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。
両レベル最適化のための2つの新しいアルゴリズムを提案する。
両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文 参考訳（メタデータ） (2021-06-08T21:05:30Z) - Dynamic Cat Swarm Optimization Algorithm for Backboard Wiring Problem [0.9990687944474739]
本稿では,動的キャット群最適化(Dynamic Cat Swarm Optimization)と呼ばれる,強力な群知能メタヒューリスティック最適化アルゴリズムを提案する。
提案アルゴリズムは,アルゴリズムの選択スキームと探索モードを変更することにより,これらの位相間の適切なバランスを与える新しい手法を提案する。
最適化の結果,提案アルゴリズムの有効性が示された。
論文 参考訳（メタデータ） (2021-04-27T19:41:27Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳（メタデータ） (2021-01-08T18:55:07Z) - 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) - Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
適応性は現代最適化理論において重要であるが、研究されていない性質である。
提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
論文 参考訳（メタデータ） (2020-02-13T05:42:27Z)
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。