論文の概要: Particle Swarm Optimization based on Novelty Search
- arxiv url: http://arxiv.org/abs/2203.05674v1
- Date: Thu, 10 Feb 2022 07:41:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-21 01:16:42.295534
- Title: Particle Swarm Optimization based on Novelty Search
- Title(参考訳): 新規探索に基づく粒子群最適化
- Authors: Mr.Rajesh Misra and Dr. Kumar S Ray
- Abstract要約: そこで本研究では,N yetty Searchと組み合わせたParticle Swarm Optimizationアルゴリズムを提案する。
この方法は、客観的な自由であるノベルティサーチによって制御されるため、ローカルオプティマではブロックされない。
一連の実験により、複素最適化テスト関数に対する現在のアルゴリズムの堅牢性と有効性が証明された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In this paper we propose a Particle Swarm Optimization algorithm combined
with Novelty Search. Novelty Search finds novel place to search in the search
domain and then Particle Swarm Optimization rigorously searches that area for
global optimum solution. This method is never blocked in local optima because
it is controlled by Novelty Search which is objective free. For those functions
where there are many more local optima and second global optimum is far from
true optimum, the present method works successfully. The present algorithm
never stops until it searches entire search area. A series of experimental
trials prove the robustness and effectiveness of the present algorithm on
complex optimization test functions.
- Abstract(参考訳): 本稿では,ノベルティ探索と組み合わせた粒子群最適化アルゴリズムを提案する。
Novelty Searchは、検索ドメインで検索する新しい場所を見つけ、次にParticle Swarm Optimizationはその領域を厳格に検索して、グローバルな最適解を求める。
この方法は、客観的な自由であるノベルティサーチによって制御されるため、ローカルオプティマではブロックされない。
より局所的な最適値と第二大域的最適値がより多く存在する関数に対して、本手法はうまく機能する。
現在のアルゴリズムは、検索エリア全体を検索するまで停止しない。
一連の実験により、複素最適化テスト関数に対する現在のアルゴリズムの堅牢性と有効性が証明された。
関連論文リスト
- Efficient Line Search Method Based on Regression and Uncertainty Quantification [7.724860428430271]
制約のない最適化問題は、通常、最適なステップ長を決定するために反復法を用いて解決される。
本稿では,ベイズ最適化を用いた新しい線探索手法を提案する。
既存の最先端手法と比較して優れた性能を示し、同等のリソース使用量で最適性に多くの問題を解決している。
論文 参考訳(メタデータ) (2024-05-17T16:35:20Z) - Localized Zeroth-Order Prompt Optimization [54.964765668688806]
そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。
ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。
注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
論文 参考訳(メタデータ) (2024-03-05T14:18:15Z) - High-dimensional Bayesian Optimization via Covariance Matrix Adaptation
Strategy [16.521207412129833]
本稿では,CMA(Covariance Matrix Adaptation)戦略を用いて局所領域を定義する手法を提案する。
この探索分布に基づいて,大域的最適である確率の高いデータポイントからなる局所領域を定義する。
提案手法は,BO,TuRBO,BAxUSなどの既存のブラックボックスBOを組み込んでグローバルな最適解を求めるメタアルゴリズムとして機能する。
論文 参考訳(メタデータ) (2024-02-05T15:32:10Z) - Multi-Modal Optimization with k-Cluster Big Bang-Big Crunch Algorithm [0.7639610349097473]
本稿では,クラスタリング,すなわちk-BBBCに基づくBig Bang-Big Crunchアルゴリズムのマルチモーダル最適化版を提案する。
このアルゴリズムは全人口の完全な収束を保証し、特定の問題に対する局所最適化の99%を平均で取得する。
論文 参考訳(メタデータ) (2023-12-21T06:16:32Z) - Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。
基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。
我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文 参考訳(メタデータ) (2022-09-27T17:51:31Z) - Bayesian Optimization for auto-tuning GPU kernels [0.0]
GPUカーネルの最適パラメータ設定を見つけることは、たとえ自動化されても、大規模な検索スペースにとって簡単な作業ではない。
拡張性を改善した新しい文脈探索機能と,情報機能選択機構を併用した新しい獲得機能を導入する。
論文 参考訳(メタデータ) (2021-11-26T11:26:26Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳(メタデータ) (2021-06-22T16:07:02Z) - 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) - Combining Particle Swarm Optimizer with SQP Local Search for Constrained
Optimization Problems [0.0]
先行するアルゴリズムの違いは局所的な検索能力にある可能性が示唆された。
ベンチマークスイートの他のリードと比較すると、他の主要なPSOアルゴリズムと競合するようにローカル検索を実装したGP-PSOのハイブリッドが示される。
論文 参考訳(メタデータ) (2021-01-25T09:34:52Z) - 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) - Incorporating Expert Prior in Bayesian Optimisation via Space Warping [54.412024556499254]
大きな探索空間では、アルゴリズムは関数の最適値に達する前に、いくつかの低関数値領域を通過する。
このコールドスタートフェーズの1つのアプローチは、最適化を加速できる事前知識を使用することである。
本稿では,関数の事前分布を通じて,関数の最適性に関する事前知識を示す。
先行分布は、探索空間を最適関数の高確率領域の周りに拡張し、最適関数の低確率領域の周りに縮小するようにワープする。
論文 参考訳(メタデータ) (2020-03-27T06:18:49Z)
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。