論文の概要: LAB: A Leader-Advocate-Believer Based Optimization Algorithm
- arxiv url: http://arxiv.org/abs/2204.11049v1
- Date: Sat, 23 Apr 2022 10:58:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-15 22:31:54.695196
- Title: LAB: A Leader-Advocate-Believer Based Optimization Algorithm
- Title（参考訳）: lab: リーダ・アドボケート・ベライバーに基づく最適化アルゴリズム
- Authors: Ruturaj Reddy, Anand J Kulkarni, Ganesh Krishnasamy, Apoorva S
Shastri, Amir H. Gandomi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.525324619018983
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This manuscript introduces a new socio-inspired metaheuristic technique
referred to as Leader-Advocate-Believer based optimization algorithm (LAB) for
engineering and global optimization problems. The proposed algorithm is
inspired by the AI-based competitive behaviour exhibited by the individuals in
a group while simultaneously improving themselves and establishing a role
(Leader, Advocate, Believer). LAB performance in computational time and
function evaluations are benchmarked using other metaheuristic algorithms.
Besides benchmark problems, the LAB algorithm was applied for solving
challenging engineering problems, including abrasive water jet machining,
electric discharge machining, micro-machining processes, and process parameter
optimization for turning titanium alloy in a minimum quantity lubrication
environment. The results were superior to the other algorithms compared such as
Firefly Algorithm, Variations of Co-hort Intelligence, Genetic Algorithm,
Simulated Annealing, Particle Swarm Optimisation, and Multi-Cohort
Intelligence. The results from this study highlighted that the LAB outperforms
the other algorithms in terms of function evaluations and computational time.
The prominent features of the LAB algorithm along with its limitations are also
discussed.
- Abstract（参考訳）: 本論文では,工学的およびグローバルな最適化問題に対するリーダ・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,社会に触発された新しいメタヒューリスティック手法を紹介する。
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。
他のメタヒューリスティックアルゴリズムを用いて計算時間と関数評価におけるLAB性能をベンチマークする。
ベンチマーク問題に加えて, アブレーブ水ジェット加工, 放電加工, マイクロ加工プロセス, およびチタン合金の最小潤滑環境における旋回パラメータ最適化など, 工学的課題の解決にLABアルゴリズムを適用した。
この結果は、ホタルアルゴリズム、コホート知能のバリエーション、遺伝的アルゴリズム、シミュレートアニーリング、粒子群最適化、マルチコーホート知能といった他のアルゴリズムよりも優れていた。
本研究の結果,LABは関数評価や計算時間の観点から,他のアルゴリズムよりも優れていた。
LABアルゴリズムの顕著な特徴とその制限についても論じている。
関連論文リスト
- Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。
本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。
合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
論文 参考訳（メタデータ） (2024-11-07T17:05:31Z) - GOOSE Algorithm: A Powerful Optimization Tool for Real-World Engineering Challenges and Beyond [4.939986309170004]
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) - Hybrid ACO-CI Algorithm for Beam Design problems [0.4397520291340694]
The novel hybrid version of the Ant colony optimization (ACO) method was developed using the sample space reduction technique of the Cohort Intelligence (CI) algorithm。
提案した研究は、工学領域や医療問題を含む現実世界の応用について検討することができる。
論文 参考訳（メタデータ） (2023-03-29T04:37:14Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - A socio-physics based hybrid metaheuristic for solving complex
non-convex constrained optimization problems [0.19662978733004596]
提案した制約付き最適化手法を批判的に検証する必要がある。
探索は、多数の線形制約と非型不等式を含むため、異なる。
最初のCIベースのアルゴリズムには、自己適応型ペナルティアプローチが組み込まれている。
第2のアルゴリズムはCI-SAPFと未来の参照特性を組み合わせたものである。
論文 参考訳（メタデータ） (2022-09-02T07:46:46Z) - Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。
厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。
このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
論文 参考訳（メタデータ） (2021-11-29T15:10:09Z) - ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。
既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。
本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
論文 参考訳（メタデータ） (2021-10-13T19:36:50Z) - 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) - A Two-stage Framework and Reinforcement Learning-based Optimization
Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。
スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。
その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文 参考訳（メタデータ） (2021-03-10T03:16:12Z) - 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。