論文の概要: A heuristic to determine the initial gravitational constant of the GSA

• arxiv url: http://arxiv.org/abs/2205.06770v1
• Date: Thu, 21 Apr 2022 21:38:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-22 19:30:57.704618
• Title: A heuristic to determine the initial gravitational constant of the GSA
• Title（参考訳）: GSAの初期重力定数を決定するためのヒューリスティック
• Authors: Alfredo J. P. Barbosa, Edmilson M. Moreira, Carlos H. V. Moraes, Ot\'avio A. S. Carpinteiro
• Abstract要約: 本稿では,正規化重力定数(GSA-NGC)を用いた重力探索アルゴリズムを提案する。 GSA-NGCは、GSAの初期重力定数を決定するための新しい反復を定義する。 実験的に検証され、様々な用途に適合し、GSAの一般性、性能、効率を大幅に改善することが証明された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Gravitational Search Algorithm (GSA) is an optimization algorithm based on Newton's laws of gravity and dynamics. Introduced in 2009, the GSA already has several versions and applications. However, its performance depends on the values of its parameters, which are determined empirically. Hence, its generality is compromised, because the parameters that are suitable for a particular application are not necessarily suitable for another. This paper proposes the Gravitational Search Algorithm with Normalized Gravitational Constant (GSA-NGC), which defines a new heuristic to determine the initial gravitational constant of the GSA. The new heuristic is grounded in the Brans-Dicke theory of gravitation and takes into consideration the multiple dimensions of the search space of the application. It aims to improve the final solution and reduce the number of iterations and premature convergences of the GSA. The GSA-NGC is validated experimentally, proving to be suitable for various applications and improving significantly the generality, performance, and efficiency of the GSA.
• Abstract（参考訳）: 重力探索アルゴリズム (gsa) はニュートンの重力と動力学の法則に基づく最適化アルゴリズムである。 2009年に導入されたgsaには、すでにいくつかのバージョンとアプリケーションがある。 しかし、その性能は、経験的に決定されるパラメータの値に依存する。 したがって、特定のアプリケーションに適したパラメータは必ずしも他のアプリケーションに適しているとは限らないため、その一般化は妥協される。 本稿では、gsaの初期重力定数を決定する新しいヒューリスティックを定義する正規化重力定数(gsa-ngc)を持つ重力探索アルゴリズムを提案する。 新しいヒューリスティックはブランス=ディッケの重力理論に基礎を置いており、アプリケーションの探索空間の多重次元を考慮に入れている。 最終的なソリューションを改善し、イテレーションの数とgsaの早期収束を減らすことを目的としている。 GSA-NGCは実験的に検証され、様々な用途に適合し、GSAの一般性、性能、効率を大幅に改善することが証明された。

関連論文リスト

• When to Reject a Ground State Preparation Algorithm [3.8624049174917214]
  本稿では,GSEE の目的のために GSP 法を受理又は拒絶するための基準を導入する。 証明可能な性能保証を持つアルゴリズムから、異なる化学系における性能のベンチマークまで、さまざまな手法を検討する。 この研究は、量子化学における量子優位性を達成するための要求をさらに探求する基礎を定めている。
  論文  参考訳（メタデータ） (2022-12-19T14:27:50Z)
• Complementarity between Success Probability and Coherence in Grover Search Algorithm [0.0]
  グローバー探索アルゴリズム(GSA)におけるコヒーレンスの役割 本稿では、C をコヒーレンス測定とする正規化コヒーレンス N(C) を定義する。
  論文  参考訳（メタデータ） (2022-05-19T01:10:39Z)
• 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)
• Benign Underfitting of Stochastic Gradient Descent [72.38051710389732]
  本研究では,適切な学習データを得ることで,一般化性能を実現する「従来型」学習ルールとして,勾配降下度(SGD)がどの程度理解されるかを検討する。 類似現象が起こらない近縁な交換SGDを解析し、その集団リスクが実際に最適な速度で収束することを証明する。
  論文  参考訳（メタデータ） (2022-02-27T13:25:01Z)
• Noisy Bayesian optimization for variational quantum eigensolvers [0.0]
  変分量子固有解法(VQE)は、ハミルトニアン基底状態を見つけるために用いられるハイブリッド量子古典アルゴリズムである。 この研究は、現在利用可能な量子コンピュータ上でVQEを実行するのに適したGPRとBOの実装を提案する。
  論文  参考訳（メタデータ） (2021-12-01T11:28:55Z)
• Result Diversification by Multi-objective Evolutionary Algorithms with Theoretical Guarantees [94.72461292387146]
  両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。 GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。 目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
  論文  参考訳（メタデータ） (2021-10-18T14:00:22Z)
• Chaos embedded opposition based learning for gravitational search algorithm [0.0]
  本稿では,カオス埋め込み型対向学習をスタネーションフリー検索の基本GSAに組み込んだGSA変種を提案する。 提案された変種は、23の古典的ベンチマーク問題、CEC 2015テストスイートの15のテスト問題、CEC 2014テストスイートの15のテスト問題でテストされている。
  論文  参考訳（メタデータ） (2021-08-28T09:22:39Z)
• The Benefits of Implicit Regularization from SGD in Least Squares Problems [116.85246178212616]
  勾配降下(SGD)はアルゴリズム正則化効果が強い。 我々は、(正規化されていない)平均SGDで得られる暗黙の正則化とリッジ回帰の明示的な正則化の比較を行う。
  論文  参考訳（メタデータ） (2021-08-10T09:56:47Z)
• A binary variant of gravitational search algorithm and its application to windfarm layout optimization problem [0.7734726150561088]
  本稿では, 2次探索空間 (BNAGGSA) のための GSA 内に, 重力定数を埋め込んだ新しい近傍アーカイブ (A novel neighborhood Archives embedded gravity constants) を提案する。 提案アルゴリズムは、エージェントが最適なステップサイズで最適な方向に移動する自己適応的なステップサイズ機構を生成する。 実世界の応用における提案アルゴリズムの適用性を確認するために,風向配置最適化の問題を検討する。
  論文  参考訳（メタデータ） (2021-07-25T16:56:19Z)
• A general sample complexity analysis of vanilla policy gradient [101.16957584135767]
  政策勾配(PG)は、最も一般的な強化学習(RL)問題の1つである。 PG軌道の「バニラ」理論的理解は、RL問題を解く最も一般的な方法の1つである。
  論文  参考訳（メタデータ） (2021-07-23T19:38:17Z)
• Benign Overfitting of Constant-Stepsize SGD for Linear Regression [122.70478935214128]
  帰納バイアスは 経験的に過剰フィットを防げる中心的存在です この研究は、この問題を最も基本的な設定として考慮している: 線形回帰に対する定数ステップサイズ SGD。 我々は、(正規化されていない)SGDで得られるアルゴリズム正則化と、通常の最小二乗よりも多くの顕著な違いを反映する。
  論文  参考訳（メタデータ） (2021-03-23T17:15:53Z)

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。