論文の概要: Duck swarm algorithm: theory, numerical optimization, and applications
- arxiv url: http://arxiv.org/abs/2112.13508v2
- Date: Sat, 1 Jun 2024 14:07:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-05 00:04:47.834826
- Title: Duck swarm algorithm: theory, numerical optimization, and applications
- Title（参考訳）: Duck Swarmアルゴリズム:理論、数値最適化とその応用
- Authors: Mengjian Zhang, Guihua Wen,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.244015536594532
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A swarm intelligence-based optimization algorithm, named Duck Swarm Algorithm (DSA), is proposed in this study, which is inspired by the searching for food sources and foraging behaviors of the duck swarm. Two rules are modeled from the finding food and foraging of the duck, which corresponds to the exploration and exploitation phases of the proposed DSA, respectively. The performance of the DSA is verified by using multiple CEC benchmark functions, where its statistical (best, mean, standard deviation, and average running-time) results are compared with seven well-known algorithms like Particle swarm optimization (PSO), Firefly algorithm (FA), Chicken swarm optimization (CSO), Grey wolf optimizer (GWO), Sine cosine algorithm (SCA), and Marine-predators algorithm (MPA), and Archimedes optimization algorithm (AOA). Moreover, the Wilcoxon rank-sum test, Friedman test, and convergence curves of the comparison results are utilized to prove the superiority of the DSA against other algorithms. The results demonstrate that DSA is a high-performance optimization method in terms of convergence speed and exploration-exploitation balance for solving the numerical optimization problems. Also, DSA is applied for the optimal design of six engineering constrained optimization problems and the node optimization deployment task of the Wireless Sensor Network (WSN). Overall, the comparison results revealed that the DSA is a promising and very competitive algorithm for solving different optimization problems.
- Abstract（参考訳）: 本研究は,アヒル群集の餌源探索と捕食行動から着想を得た群集知能に基づく最適化アルゴリズムDuck Swarm Algorithm (DSA)を提案する。
2つのルールは、提案されたDSAの探索および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。
DSAの性能は、統計的(ベスト、平均、標準偏差、平均ランニングタイム)の結果を、Particle Swarm Optimization (PSO)、Firefly Algorithm (FA)、Chicken Swarm Optimization (CSO)、Grey wolf Optimizationr (GWO)、Sine cosine algorithm (SCA)、Marine-predators algorithm (MPA)、Archimedes Optimization Algorithm (AOA)といった7つのよく知られたアルゴリズムと比較して検証する。
さらに、ウィルコクソンランクサム試験、フリードマン試験、および比較結果の収束曲線を利用して、他のアルゴリズムに対するDSAの優位性を証明した。
その結果, DSAは, 数値最適化問題の解法として, 収束速度と探索-探索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。
また,6つの工学的制約付き最適化問題の最適設計と,無線センサネットワーク(WSN)のノード最適化配置タスクに適用した。
比較の結果、DSAは様々な最適化問題を解くための有望で非常に競争力のあるアルゴリズムであることがわかった。
関連論文リスト
- The Firefighter Algorithm: A Hybrid Metaheuristic for Optimization Problems [3.2432648012273346]
The Firefighter Optimization (FFO) algorithm is a new hybrid metaheuristic for optimization problem。
FFOの性能を評価するため、FFOは13の最適化アルゴリズムに対して広範な実験を行った。
その結果、FFOは比較性能を達成し、いくつかのシナリオでは、得られた適合性、正確性に要する時間、時間単位でカバーされる研究空間の点で、一般的に採用されている最適化アルゴリズムよりも優れていることが示された。
論文 参考訳（メタデータ） (2024-06-01T18:38:59Z) - 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) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - GOOSE Algorithm: A Powerful Optimization Tool for Real-World Engineering
Challenges and Beyond [1.1802674324027231]
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) - Regret Bounds for Expected Improvement Algorithms in Gaussian Process
Bandit Optimization [63.8557841188626]
期待されている改善(EI)アルゴリズムは、不確実性の下で最適化するための最も一般的な戦略の1つである。
本稿では,GP予測平均を通した標準既存値を持つEIの変種を提案する。
我々のアルゴリズムは収束し、$mathcal O(gamma_TsqrtT)$の累積後悔境界を達成することを示す。
論文 参考訳（メタデータ） (2022-03-15T13:17:53Z) - ANA: Ant Nesting Algorithm for Optimizing Real-World Problems [21.95618652596178]
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。
論文 参考訳（メタデータ） (2021-12-04T08:55:06Z) - 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) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z) - 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。