Fugu-MT 論文翻訳(概要): Review of research on fireworks algorithm

論文の概要: Review of research on fireworks algorithm

arxiv url: http://arxiv.org/abs/2208.06474v1
Date: Mon, 28 Feb 2022 13:44:53 GMT
ステータス: 処理完了
システム内更新日: 2023-02-23 17:30:45.460085
Title: Review of research on fireworks algorithm
Title（参考訳）: 花火アルゴリズム研究の展望
Authors: Zhao Zhigang, Li Zhimei, Mo Haimiao, Zeng Min
Abstract要約: Fireworksアルゴリズムは、新しいタイプのインテリジェント最適化アルゴリズムである。高速収束速度、簡単な実装、爆発性、多様性、単純さ、ランダム性により、近年多くの研究分野に注目が集まっている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Fireworks algorithm is a new type of intelligent optimization algorithm. Because of its fast convergence speed, easy implementation, explosiveness, diversity, simplicity and randomness, it has attracted more and more attention in many research fields recently. This paper introduces the background, composition, improvement idea of fireworks algorithm (analysis and improvement of operator, improvement of hybrid algorithm), and its application in continuous optimization, discrete optimization, single-objective optimization, multi-objective optimization and other fields. Finally, the future research directions of fireworks algorithm are summarized, including theoretical analysis, operator analysis and improvement, hybrid algorithm research and algorithm application.
Abstract（参考訳）: 花火アルゴリズムは新しいタイプのインテリジェント最適化アルゴリズムである。高速収束速度、簡単な実装、爆発性、多様性、単純さ、ランダム性などにより、近年多くの研究分野で注目を集めている。本稿では,花火アルゴリズムの背景,構成,改良の考え方(演算子の解析と改善,ハイブリッドアルゴリズムの改善)と,連続最適化,離散最適化,単一目的最適化,多目的最適化などへの応用について述べる。最後に, 理論解析, 演算子解析と改良, ハイブリッドアルゴリズム研究, アルゴリズム応用など, 花火アルゴリズムの今後の研究方向性について要約する。

関連論文リスト

The Firefighter Algorithm: A Hybrid Metaheuristic for Optimization Problems [3.2432648012273346]
The Firefighter Optimization (FFO) algorithm is a new hybrid metaheuristic for optimization problem。 FFOの性能を評価するため、FFOは13の最適化アルゴリズムに対して広範な実験を行った。その結果、FFOは比較性能を達成し、いくつかのシナリオでは、得られた適合性、正確性に要する時間、時間単位でカバーされる研究空間の点で、一般的に採用されている最適化アルゴリズムよりも優れていることが示された。
論文参考訳（メタデータ） (2024-06-01T18:38:59Z)
Nature-Inspired Algorithms in Optimization: Introduction, Hybridization and Insights [1.6589012298747952]
ベンチマークは最適化アルゴリズムの性能を評価する上で重要である。本章では、最適化の概要、自然に触発されたアルゴリズム、ハイブリッド化の役割について論じる。
論文参考訳（メタデータ） (2023-08-30T11:33:22Z)
Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文参考訳（メタデータ） (2023-07-17T20:11:56Z)
A Lite Fireworks Algorithm for Optimization [0.913755431537592]
本稿では,Fireworks Algorithmの簡易版を提案する。花火アルゴリズムの爆発演算子を再設計することで、アルゴリズムパラメータの数を削減できる。局所的な採掘能力と地球規模の探査能力のバランスをとるために、歴史的な最適情報を用いて適応的な爆発半径を構築する。
論文参考訳（メタデータ） (2023-01-07T07:12:17Z)
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)
Optimistic Optimisation of Composite Objective with Exponentiated Update [2.1700203922407493]
このアルゴリズムは指数勾配と$p$-normアルゴリズムの組み合わせと解釈できる。彼らはシーケンス依存の後悔の上界を達成し、スパース目標決定変数の最もよく知られた境界と一致する。
論文参考訳（メタデータ） (2022-08-08T11:29:55Z)
Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
論文参考訳（メタデータ） (2022-05-03T07:54:56Z)
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)
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)
Dynamic Cat Swarm Optimization Algorithm for Backboard Wiring Problem [0.9990687944474739]
本稿では,動的キャット群最適化(Dynamic Cat Swarm Optimization)と呼ばれる,強力な群知能メタヒューリスティック最適化アルゴリズムを提案する。提案アルゴリズムは,アルゴリズムの選択スキームと探索モードを変更することにより,これらの位相間の適切なバランスを与える新しい手法を提案する。最適化の結果,提案アルゴリズムの有効性が示された。
論文参考訳（メタデータ） (2021-04-27T19:41:27Z)
Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
適応性は現代最適化理論において重要であるが、研究されていない性質である。提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
論文参考訳（メタデータ） (2020-02-13T05:42:27Z)

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。