Fugu-MT 論文翻訳(概要): Battle royale optimizer with a new movement strategy

論文の概要: Battle royale optimizer with a new movement strategy

arxiv url: http://arxiv.org/abs/2203.09889v1
Date: Wed, 19 Jan 2022 16:36:13 GMT
ステータス: 処理完了
システム内更新日: 2023-02-28 10:04:47.212833
Title: Battle royale optimizer with a new movement strategy
Title（参考訳）: 新しい移動戦略を用いたバトルロイヤルオプティマイザ
Authors: Sara Akan, Taymaz Akan
Abstract要約: 本稿では,探索と利用のバランスを改善するため,改良型BRO(M-BRO)を提案する。この修正アルゴリズムの複雑さは、元のアルゴリズムと同じである。その結果, 運動演算子を付加したBROは, 複雑な数値最適化問題を解くのに有効であることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Gamed-based is a new stochastic metaheuristics optimization category that is inspired by traditional or digital game genres. Unlike SI-based algorithms, in-dividuals do not work together with the goal of defeating other individuals and winning the game. Battle royale optimizer (BRO) is a Gamed-based me-taheuristic optimization algorithm that has been recently proposed for the task of continuous problems. This paper proposes a modified BRO (M-BRO) in order to improve balance between exploration and exploitation. For this matter, an additional movement operator has been used in the movement strategy. Moreover, no extra parameters are required for the proposed ap-proach. Furthermore, the complexity of this modified algorithm is the same as the original one. Experiments are performed on a set of 19 (unimodal and multimodal) benchmark functions (CEC 2010). The proposed method has been compared with the original BRO alongside six well-known/recently proposed optimization algorithms. The results show that BRO with additional movement operator performs well to solve complex numerical optimization problems compared to the original BRO and other competitors.
Abstract（参考訳）: Gamed-basedは、伝統的なゲームジャンルやデジタルゲームジャンルにインスパイアされた、新しい確率的メタヒューリスティックス最適化カテゴリである。 SIベースのアルゴリズムとは異なり、個人は他の個人を倒してゲームに勝つという目標と協力しない。バトルロワイヤル最適化 (Battle Royale Optimizationr, BRO) はGamedをベースとしたメタヒューリスティック最適化アルゴリズムである。本稿では,探索と利用のバランスを改善するため,改良型BRO(M-BRO)を提案する。このために、運動戦略に新たな運動演算子が使用されている。さらに,提案するap-proachには余分なパラメータは不要である。さらに、この修正アルゴリズムの複雑さは元のアルゴリズムと同じである。実験は19のベンチマーク関数(CEC 2010)で実施される。提案手法は,最近提案されている6つの最適化アルゴリズムとともに,元のbroと比較された。その結果,移動演算子を付加したBROは,元のBROや他の競合に比べて複雑な数値最適化問題を解くことができることがわかった。

関連論文リスト

BMR and BWR: Two simple metaphor-free optimization algorithms for solving real-life non-convex constrained and unconstrained problems [0.5755004576310334]
本稿では,Best-MeanRandom (BMR) とBest-Worst-Random (BWR) の2つの単純な最適化アルゴリズムについて述べる。
論文参考訳（メタデータ） (2024-07-15T18:11:47Z)
Efficient Multiplayer Battle Game Optimizer for Adversarial Robust Neural Architecture Search [14.109964882720249]
本稿では,効率的なマルチプレイヤーバトルゲーム(EMBGO)として知られるメタヒューリスティックアルゴリズムを提案する。この研究の背後にある動機は、元のMBGOの欠点を正す必要があることにある。 EMBGOは、移動と戦闘フェーズを統合することでこれらの制限を緩和し、元の最適化フレームワークを簡素化し、探索効率を向上させる。
論文参考訳（メタデータ） (2024-03-15T08:45:32Z)
Bidirectional Looking with A Novel Double Exponential Moving Average to Adaptive and Non-adaptive Momentum Optimizers [109.52244418498974]
我々は,新しいtextscAdmeta(textbfADouble指数textbfMov averagtextbfE textbfAdaptiveおよび非適応運動量)フレームワークを提案する。我々は、textscAdmetaR と textscAdmetaS の2つの実装を提供し、前者は RAdam を、後者は SGDM をベースとしています。
論文参考訳（メタデータ） (2023-07-02T18:16:06Z)
Optimal algorithms for group distributionally robust optimization and beyond [48.693477387133484]
そこで我々は,グループDRO,サブポピュレーションフェアネス,経験的条件値などのDRO問題のクラスに対するアルゴリズムを考案した。我々の新しいアルゴリズムは、複数のDRO設定のための既存のアルゴリズムよりも高速な収束率を実現する。経験的にも、私たちのアルゴリズムは既知の手法よりも優れています。
論文参考訳（メタデータ） (2022-12-28T02:45:46Z)
LAB: A Leader-Advocate-Believer Based Optimization Algorithm [9.525324619018983]
この原稿は、リーダ・アドボケート・ビリーバーに基づく最適化アルゴリズム(LAB)と呼ばれる、社会にインスパイアされた新しいメタヒューリスティック手法を紹介している。提案アルゴリズムは、グループ内の個人が同時に改善し、役割(リーダ、アドボケート、ベリバー)を確立しながら示すAIベースの競争行動に着想を得たものである。
論文参考訳（メタデータ） (2022-04-23T10:58:58Z)
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)
Minimax Optimization with Smooth Algorithmic Adversaries [59.47122537182611]
対戦相手が展開するスムーズなアルゴリズムに対して,Min-playerの新しいアルゴリズムを提案する。本アルゴリズムは,制限周期のない単調進行を保証し,適切な勾配上昇数を求める。
論文参考訳（メタデータ） (2021-06-02T22:03:36Z)
Portfolio Search and Optimization for General Strategy Game-Playing [58.896302717975445]
ローリングホライズン進化アルゴリズムに基づく最適化とアクション選択のための新しいアルゴリズムを提案する。エージェントのパラメータとポートフォリオセットの最適化について,N-tuple Bandit Evolutionary Algorithmを用いて検討する。エージェントの性能分析により,提案手法はすべてのゲームモードによく一般化し,他のポートフォリオ手法よりも優れることが示された。
論文参考訳（メタデータ） (2021-04-21T09:28:28Z)
Efficient Pure Exploration for Combinatorial Bandits with Semi-Bandit Feedback [51.21673420940346]
コンビナーシャルバンディットはマルチアームバンディットを一般化し、エージェントが腕のセットを選択し、選択したセットに含まれる各腕の騒々しい報酬を観察します。我々は, 最善の腕を一定の信頼度で識別する純粋爆発問題と, 応答集合の構造が動作集合の1つと異なるような, より一般的な設定に注目する。有限多面体に対するプロジェクションフリーオンライン学習アルゴリズムに基づいて、凸的に最適であり、競争力のある経験的性能を持つ最初の計算効率の良いアルゴリズムである。
論文参考訳（メタデータ） (2021-01-21T10:35:09Z)
Batch Sequential Adaptive Designs for Global Optimization [5.825138898746968]
効率的なグローバル最適化(EGO)は、高価なブラックボックス最適化問題に対する最も一般的なSAD手法の1つである。これらの複数点のEGO法では、重い計算とポイントのクラスタリングが障害となる。本研究では, 改良されたサンプリング/インポータンス・リサンプリング(SIR)法を用いて, 「加速EGO」と呼ばれる新しいバッチSAD法を転送する。提案したSADの効率は,次元が2～12の9つの古典的テスト関数によって検証される。
論文参考訳（メタデータ） (2020-10-21T01:11:35Z)
Towards Dynamic Algorithm Selection for Numerical Black-Box Optimization: Investigating BBOB as a Use Case [4.33419118449588]
シングルスウィッチな動的アルゴリズムの選択(dynAS)でさえ、大きな性能向上をもたらす可能性があることを示す。また、dynASにおける重要な課題についても論じ、BBOBフレームワークがこれらを克服する上で有用なツールになり得ると論じる。
論文参考訳（メタデータ） (2020-06-11T16:36:11Z)

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。