論文の概要: Egret Swarm Optimization Algorithm: An Evolutionary Computation Approach
for Model Free Optimization
- arxiv url: http://arxiv.org/abs/2207.14667v1
- Date: Fri, 29 Jul 2022 13:24:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 12:31:53.827863
- Title: Egret Swarm Optimization Algorithm: An Evolutionary Computation Approach
for Model Free Optimization
- Title（参考訳）: Egret Swarm Optimization Algorithm: モデル自由最適化のための進化的計算手法
- Authors: Zuyan Chen, Adam Francis, Shuai Li, Bolin Liao, Dunhui Xiao
- Abstract要約: 本稿では,新しいメタヒューリスティックアルゴリズムであるEgret Swarm Optimization Algorithm (ESOA)を提案する。
ESOAは、2つのエグレット種(Great EgretとSnowy Egret)の狩猟行動にインスパイアされている。
36のベンチマーク関数と2つのエンジニアリング問題に対するESOAのパフォーマンスを比較した。
- 参考スコア（独自算出の注目度）: 5.486833154281385
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A novel meta-heuristic algorithm, Egret Swarm Optimization Algorithm (ESOA),
is proposed in this paper, which is inspired by two egret species' (Great Egret
and Snowy Egret) hunting behavior. ESOA consists of three primary components:
Sit-And-Wait Strategy, Aggressive Strategy as well as Discriminant Conditions.
The performance of ESOA on 36 benchmark functions as well as 2 engineering
problems are compared with Particle Swarm Optimization (PSO), Genetic Algorithm
(GA), Differential Evolution (DE), Grey Wolf Optimizer (GWO), and Harris Hawks
Optimization (HHO). The result proves the superior effectiveness and robustness
of ESOA. The source code used in this work can be retrieved from
https://github.com/Knightsll/Egret_Swarm_Optimization_Algorithm;
https://ww2.mathworks.cn/matlabcentral/fileexchange/115595-egret-swarm-optimization-algorithm-esoa.
- Abstract（参考訳）: 本稿では,2種のエグレット種(グレートエグレットとスノーエグレット)の狩猟行動に触発された,新しいメタヒューリスティックアルゴリズムであるエグレット群最適化アルゴリズム(esoa)を提案する。
ESOAは、Sit-And-Wait Strategy、Aggressive Strategy、および差別的条件の3つの主要なコンポーネントで構成されています。
36のベンチマーク関数と2つのエンジニアリング問題に対するESOAの性能は、Particle Swarm Optimization(PSO)、GA(GA)、差分進化(DE)、Grey Wolf Optimizer(GWO)、Harris Hawks Optimization(HHO)と比較される。
その結果、ESOAの優れた有効性と堅牢性を示す。
ソースコードはhttps://github.com/knightsll/egret_swarm_optimization_algorithm; https://ww2.mathworks.cn/matlabcentral/fileexchange/115595-egret-swarm-optimization-algorithm-esoaから取得できる。
関連論文リスト
- ELRA: Exponential learning rate adaption gradient descent optimization
method [83.88591755871734]
我々は, 高速(指数率), ab initio(超自由)勾配に基づく適応法を提案する。
本手法の主な考え方は,状況認識による$alphaの適応である。
これは任意の次元 n の問題に適用でき、線型にしかスケールできない。
論文 参考訳（メタデータ） (2023-09-12T14:36:13Z) - 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) - Genetically Modified Wolf Optimization with Stochastic Gradient Descent
for Optimising Deep Neural Networks [0.0]
本研究の目的は、人口ベースメタヒューリスティックアルゴリズムを用いて、ニューラルネットワーク(NN)重み付けを最適化するための代替アプローチを分析することである。
Grey Wolf (GWO) と Genetic Modified Algorithms (GA) のハイブリッドをグラディエント・Descent (SGD) と組み合わせて検討した。
このアルゴリズムは、高次元性の問題にも対処しながら、エクスプロイトと探索の組み合わせを可能にする。
論文 参考訳（メタデータ） (2023-01-21T13:22:09Z) - Massively Parallel Genetic Optimization through Asynchronous Propagation
of Populations [50.591267188664666]
Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。
提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。
Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
論文 参考訳（メタデータ） (2023-01-20T18:17:34Z) - An efficient hybrid classification approach for COVID-19 based on Harris
Hawks Optimization and Salp Swarm Optimization [0.0]
本研究では、Covid-19分類のためのHarris Hawks Optimization Algorithm(HHO)とSalp Swarm Optimization(SSA)のハイブリッドバイナリバージョンを提案する。
提案アルゴリズム(HHOSSA)は,SVMで96%の精度,2つの分類器で98%,98%の精度を達成した。
論文 参考訳（メタデータ） (2022-12-25T19:52:18Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Duck swarm algorithm: theory, numerical optimization, and applications [6.244015536594532]
本研究では,Duck Swarm Algorithm (DSA) という,群知能に基づく最適化アルゴリズムを提案する。
2つのルールは、提案されたDSAの探索と利用段階に対応するアヒルの餌の発見と採餌からモデル化される。
その結果, DSAは収束速度と探索・探索のバランスの観点から, 高性能な最適化手法であることがわかった。
論文 参考訳（メタデータ） (2021-12-27T04:53:36Z) - An Accelerated Variance-Reduced Conditional Gradient Sliding Algorithm
for First-order and Zeroth-order Optimization [111.24899593052851]
条件勾配アルゴリズム(Frank-Wolfeアルゴリズムとも呼ばれる)は、最近、機械学習コミュニティで人気を取り戻している。
ARCSは、ゼロ階最適化において凸問題を解く最初のゼロ階条件勾配スライディング型アルゴリズムである。
1次最適化では、ARCSの収束結果は、勾配クエリのオラクルの数で、従来のアルゴリズムよりも大幅に優れていた。
論文 参考訳（メタデータ） (2021-09-18T07:08:11Z) - The Archerfish Hunting Optimizer: a novel metaheuristic algorithm for
global optimization [0.8315801422499861]
グローバル最適化は、目的関数を最小化することにより、現実の問題を数値的にあるいは分析的に解決する。
我々はArcherfish Hunting (AHO)に基づくグローバルメタヒスティックアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-03T16:22:31Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z) - A Primer on Zeroth-Order Optimization in Signal Processing and Machine
Learning [95.85269649177336]
ZO最適化は、勾配推定、降下方向、ソリューション更新の3つの主要なステップを反復的に実行する。
我々は,ブラックボックス深層学習モデルによる説明文の評価や生成,効率的なオンラインセンサ管理など,ZO最適化の有望な応用を実証する。
論文 参考訳（メタデータ） (2020-06-11T06:50:35Z)
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。