論文の概要: New hard benchmark functions for global optimization

• arxiv url: http://arxiv.org/abs/2202.04606v3
• Date: Wed, 30 Mar 2022 13:26:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-26 06:56:11.993478
• Title: New hard benchmark functions for global optimization
• Title（参考訳）: グローバル最適化のための新しいハードベンチマーク関数
• Authors: Abdesslem Layeb
• Abstract要約: 我々は,グローバル最適化アルゴリズムの性能を評価するために,新しい単調,マルチモーダル,ノイズテスト機能を提案する。 これらの関数の硬さを示すために、我々はいくつかの強力なアルゴリズムを用いて実験を行った。 その結果,提案関数の硬さが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In this paper, we present some new unimodal, multimodal, and noise test functions to assess the performance of global optimization algorithms. All the test functions are multidimensional problems. The 2-dimension landscape of the proposed functions has been graphically presented in 3D space to show their geometry, however these functions are more complicated in dimensions greater than 3. To show the hardness of these functions, we have made an experimental study with some powerful algorithms such as CEC competition winners: LSHADE, MadDe, and LSHADE-SPACMA algorithms. Besides the novel algorithm, Tangent search algorithm (TSA) and its modified Tangent search algorithm (mTSA) were also used in the experimental study. The results found demonstrate the hardness of the proposed functions. The code sources of the proposed test functions are available on Matlab Exchange website. https://www.mathworks.com/matlabcentral/fileexchange/106450-new-hard-benchmark-functions-for-global- optimization?s_tid=srchtitle
• Abstract（参考訳）: 本稿では,大域最適化アルゴリズムの性能を評価するために,新しい単調,マルチモーダル,ノイズテスト機能を提案する。 すべてのテスト関数は多次元問題である。 提案した関数の2次元のランドスケープは、それらの幾何学を示すために3次元空間で図式的に示されているが、これらの関数は3より大きい次元においてより複雑である。 これらの関数の硬さを示すために、CECコンペティションの勝者であるLSHADE、MadDe、LSHADE-SPACMAアルゴリズムなどの強力なアルゴリズムを用いて実験を行った。 実験では,新しいアルゴリズムに加えて,タンジェント探索アルゴリズム (TSA) と改良タンジェント探索アルゴリズム (mTSA) も用いられた。 その結果,提案関数の硬さが示された。 提案されたテスト機能のソースコードは、Matlab ExchangeのWebサイトにある。 https://www.mathworks.com/matlabcentral/fileexchange/106450-new-hard-benchmark-functions-for-global- optimization? s_tid=srchtitle

関連論文リスト

• A Review of 315 Benchmark and Test Functions for Machine Learning Optimization Algorithms and Metaheuristics with Mathematical and Visual Descriptions [10.92790791696717]
  急速に進化する最適化とメタヒューリスティックス領域では、アルゴリズムの有効性はベンチマーク(テスト)関数によって決定される。 本稿では,最適化アルゴリズムとメタヒューリスティックスアルゴリズムの評価に使用される300以上のベンチマーク関数について概説する。
  論文  参考訳（メタデータ） (2024-06-13T20:39:59Z)
• Improved discrete particle swarm optimization using Bee Algorithm and multi-parent crossover method (Case study: Allocation problem and benchmark functions) [0.3683202928838613]
  本稿では,OMPCDPSO(OMPCDPSO)を提案する。 我々は,ハチアルゴリズムの見物ミツバチを用いた,独立して集中した近傍探索を行った。 この研究で開発されたアルゴリズム(OMCDPSO)は、47(76.60%)のうち36の試験関数で、他のアルゴリズムよりも優れている。
  論文  参考訳（メタデータ） (2024-03-15T21:08:37Z)
• Gradient-free optimization of highly smooth functions: improved analysis and a new algorithm [87.22224691317766]
  この研究は、目的関数が極めて滑らかであるという仮定の下で、ゼロ次ノイズオラクル情報による問題を研究する。 ゼロオーダー射影勾配勾配アルゴリズムを2種類検討する。
  論文  参考訳（メタデータ） (2023-06-03T17:05:13Z)
• Practical, Provably-Correct Interactive Learning in the Realizable Setting: The Power of True Believers [12.09273192079783]
  我々は、対話型学習を実現可能な設定で検討し、最適な腕の識別からアクティブな分類に至るまでの問題に対処する一般的な枠組みを開発する。 我々は,最小限の値と対数係数とを一致させる,計算効率のよい新しいアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-11-09T02:33:36Z)
• 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)
• Bayesian Optimistic Optimisation with Exponentially Decaying Regret [58.02542541410322]
  現在の実用的なBOアルゴリズムは、$mathcalO(fraclogNsqrtN)$から$mathcalO(e-sqrtN)$まで、$N$は評価の数である。 本稿では,boと木に基づく楽観的楽観化の概念を絡み合うことにより,無音環境における後悔を改善できる可能性について検討する。 次数$mathcal O(N-sqrt)で指数的再帰を達成できる最初の実践的手法であるBOOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T13:07:44Z)
• Bayesian Algorithm Execution: Estimating Computable Properties of Black-box Functions Using Mutual Information [78.78486761923855]
  多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。 本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。 これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
  論文  参考訳（メタデータ） (2021-04-19T17:22:11Z)
• The Tangent Search Algorithm for Solving Optimization Problems [0.0]
  本稿では,Tangent Search Algorithm (TSA) と呼ばれる新しい集団最適化アルゴリズムを提案する。 TSAは接関数に基づく数学的モデルを用いて、与えられた解をより良い解へ移動させる。 適応的な可変ステップサイズもこのアルゴリズムに統合され、収束能力が向上する。
  論文  参考訳（メタデータ） (2021-04-06T14:56:22Z)
• Finding Global Minima via Kernel Approximations [90.42048080064849]
  関数評価のみに基づく滑らかな関数のグローバル最小化を考える。 本稿では,近似関数を共同でモデル化し,大域的最小値を求める手法を検討する。
  論文  参考訳（メタデータ） (2020-12-22T12:59:30Z)
• Sequential Subspace Search for Functional Bayesian Optimization Incorporating Experimenter Intuition [63.011641517977644]
  本アルゴリズムは,実験者のガウス過程から引き出された一組の引き数で区切られた関数空間の有限次元ランダム部分空間列を生成する。 標準ベイズ最適化は各部分空間に適用され、次の部分空間の出発点(オリジン)として用いられる最良の解である。 シミュレーションおよび実世界の実験,すなわちブラインド関数マッチング,アルミニウム合金の最適析出強化関数の探索,深層ネットワークの学習速度スケジュール最適化において,本アルゴリズムを検証した。
  論文  参考訳（メタデータ） (2020-09-08T06:54:11Z)
• DEFT-FUNNEL: an open-source global optimization solver for constrained grey-box and black-box problems [0.0]
  DEFT-FUNNELは、一般的な制約付きグレーボックス問題とブラックボックス問題に対する、オープンソースのグローバル最適化アルゴリズムである。 実験に使用するテストセットのコードもGithubリポジトリから入手可能だ。
  論文  参考訳（メタデータ） (2019-12-29T11:43:53Z)

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。