論文の概要: Current Studies and Applications of Shuffled Frog Leaping Algorithm: A
Review
- arxiv url: http://arxiv.org/abs/2202.03477v1
- Date: Thu, 27 Jan 2022 13:26:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-27 18:03:28.660028
- Title: Current Studies and Applications of Shuffled Frog Leaping Algorithm: A
Review
- Title（参考訳）: Shuffled Frog Leapingアルゴリズムの現状と応用
- Authors: Bestan B. Maaroof, Tarik A. Rashid, Jaza M. Abdulla, Bryar A. Hassan,
Abeer Alsadoon, Mokhtar Mohammadi, Mohammad Khishe, Seyedali Mirjalili
- Abstract要約: Shuffled Frog Leaping Algorithm (SFLA) は2006年に Eusuff と Lansey によって開発された。
SFLAは、メメティクスの利点と粒子群最適化を組み合わせた、人口ベースメタヒューリスティックアルゴリズムである。
様々な分野で、特に実装と限定変数のために工学的な問題に使われている。
- 参考スコア（独自算出の注目度）: 28.522595817273295
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Shuffled Frog Leaping Algorithm (SFLA) is one of the most widespread
algorithms. It was developed by Eusuff and Lansey in 2006. SFLA is a
population-based metaheuristic algorithm that combines the benefits of memetics
with particle swarm optimization. It has been used in various areas, especially
in engineering problems due to its implementation easiness and limited
variables. Many improvements have been made to the algorithm to alleviate its
drawbacks, whether they were achieved through modifications or hybridizations
with other well-known algorithms. This paper reviews the most relevant works on
this algorithm. An overview of the SFLA is first conducted, followed by the
algorithm's most recent modifications and hybridizations. Next, recent
applications of the algorithm are discussed. Then, an operational framework of
SLFA and its variants is proposed to analyze their uses on different cohorts of
applications. Finally, future improvements to the algorithm are suggested. The
main incentive to conduct this survey to provide useful information about the
SFLA to researchers interested in working on the algorithm's enhancement or
application
- Abstract（参考訳）: Shuffled Frog Leaping Algorithm (SFLA)は最も広く使われているアルゴリズムの一つである。
2006年にeusuffとlanseyによって開発された。
SFLAは、メメティクスの利点と粒子群最適化を組み合わせた、人口ベースメタヒューリスティックアルゴリズムである。
様々な分野で、特に実装容易性や限定変数のために工学的な問題に使われている。
アルゴリズムの欠点を軽減するために、修正や他のよく知られたアルゴリズムとのハイブリダイゼーションによって達成されたか、多くの改良がなされている。
本稿では,このアルゴリズムに関する最も関連する研究について概説する。
SFLAの概要が最初に行われ、続いてアルゴリズムの最新の修正とハイブリッド化が行われた。
次に,アルゴリズムの最近の応用について述べる。
そこで,SLFAの運用フレームワークとその変種について,異なるコホートアプリケーション上での利用状況を分析するために提案する。
最後に,アルゴリズムの今後の改良を提案する。
この調査を行う主な動機は、アルゴリズムの強化や応用に関心のある研究者にSFLAに関する有用な情報を提供することである。
関連論文リスト
- Individualized Privacy Accounting via Subsampling with Applications in Combinatorial Optimization [55.81991984375959]
本研究では、以下の簡単な観察を通して、個別化されたプライバシ会計を解析する新しい手法を提案する。
我々は、分解可能な部分モジュラーおよびセットアルゴリズム被覆を含む、プライベート最適化問題に対するいくつかの改良されたアルゴリズムを得る。
論文 参考訳（メタデータ） (2024-05-28T19:02:30Z) - Large-scale Benchmarking of Metaphor-based Optimization Heuristics [5.081212121019668]
BBOB関数スイート上で294のアルゴリズム実装を実行する。
提案手法は, 予算の選択, 性能評価, 実験設計のその他の側面が, これらのアルゴリズムの比較にどう影響するかを考察する。
論文 参考訳（メタデータ） (2024-02-15T08:54:46Z) - 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) - 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) - A Fully Single Loop Algorithm for Bilevel Optimization without Hessian
Inverse [121.54116938140754]
両レベル最適化問題に対して,Hessian 逆フリーな完全単一ループアルゴリズムを提案する。
我々のアルゴリズムは$O(epsilon-2)$と収束することを示す。
論文 参考訳（メタデータ） (2021-12-09T02:27:52Z) - 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) - Identifying Co-Adaptation of Algorithmic and Implementational
Innovations in Deep Reinforcement Learning: A Taxonomy and Case Study of
Inference-based Algorithms [15.338931971492288]
我々は、アルゴリズムの革新と実装決定を分離するために、一連の推論に基づくアクター批判アルゴリズムに焦点を当てる。
実装の詳細がアルゴリズムの選択に一致すると、パフォーマンスが大幅に低下します。
結果は、どの実装の詳細がアルゴリズムと共適応され、共進化しているかを示す。
論文 参考訳（メタデータ） (2021-03-31T17:55:20Z) - Nature-Inspired Optimization Algorithms: Research Direction and Survey [0.0]
自然に着想を得たアルゴリズムは、様々な最適化問題を解くのによく用いられる。
我々は自然に触発されたアルゴリズムを自然進化ベース、群知性ベース、生物ベース、科学ベースなどと分類する。
本研究の目的は, インスピレーション源, 基本演算子, 制御パラメータ, 特徴, 変種, 適用範囲に基づいて, 様々な自然に着想を得たアルゴリズムを網羅的に解析することである。
論文 参考訳（メタデータ） (2021-02-08T06:03:36Z) - Critical Analysis: Bat Algorithm based Investigation and Application on
Several Domains [1.1802674324027231]
このアルゴリズムのアイデアはコウモリのエコーロケーション能力から取られた。
バットアルゴリズムは、背景、特徴、制限の観点から詳細に与えられる。
論文 参考訳（メタデータ） (2021-01-18T19:25:12Z) - A survey on dragonfly algorithm and its applications in engineering [29.190512851078218]
トンボのアルゴリズムは2016年に開発され、研究者が様々な分野の幅広い用途と応用を最適化するために用いたアルゴリズムの1つである。
この研究は、実世界の最適化問題を解決するための手法の頑健さと、複雑な最適化問題を改善するためのその欠如に対処した。
論文 参考訳（メタデータ） (2020-02-19T20:23:26Z)
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。