論文の概要: An Approach of Adjusting the Switch Probability based on Dimension Size:
A Case Study for Performance Improvement of the Flower Pollination Algorithm
- arxiv url: http://arxiv.org/abs/2208.09699v1
- Date: Sat, 20 Aug 2022 14:45:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 12:40:56.481400
- Title: An Approach of Adjusting the Switch Probability based on Dimension Size:
A Case Study for Performance Improvement of the Flower Pollination Algorithm
- Title(参考訳): 次元サイズに基づくスイッチ確率の調整の試み--フラワー受粉アルゴリズムの性能改善を事例として
- Authors: Tahsin Aziz, Tashreef Muhammad, Md. Rashedul Karim Chowdhury and
Mohammad Shafiul Alam
- Abstract要約: この研究は、いくつかのバイオインスパイアされたアルゴリズムの1つであるフラワーポリン化アルゴリズムに焦点をあてる。
シャムインテリジェンス」なメタヒューリスティックアルゴリズムとして、その強みは最適解の近傍を探索することにある。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Numerous meta-heuristic algorithms have been influenced by nature. Over the
past couple of decades, their quantity has been significantly escalating. The
majority of these algorithms attempt to emulate natural biological and physical
phenomena. This research concentrates on the Flower Pollination algorithm,
which is one of several bio-inspired algorithms. The original approach was
suggested for pollen grain exploration and exploitation in confined space using
a specific global pollination and local pollination strategy. As a "swarm
intelligence" meta-heuristic algorithm, its strength lies in locating the
vicinity of the optimum solution rather than identifying the minimum. A
modification to the original method is detailed in this work. This research
found that by changing the specific value of "switch probability" with dynamic
values of different dimension sizes and functions, the outcome was mainly
improved over the original flower pollination method.
- Abstract(参考訳): 多くのメタヒューリスティックアルゴリズムは自然に影響を受けている。
過去数十年間、その量は大幅に増加してきた。
これらのアルゴリズムの大部分は、自然の生物学的および物理的現象をエミュレートしようとする。
この研究は、いくつかのバイオインスパイアされたアルゴリズムの1つであるフラワーポリレーションアルゴリズムに焦点を当てている。
元々のアプローチは、特定の地球規模の受粉と局所的な受粉戦略を用いて、閉じ込められた空間における花粉の穀物の探索と搾取のために提案された。
swarm intelligence」メタヒューリスティックなアルゴリズムとして、その強みは最小値を特定するよりも最適な解の近傍を見つけることである。
本書では元の方法の修正について詳述する。
本研究は,異なる次元の大きさと関数の動的値で「スイッチ確率」の具体的値を変化させることにより,花の受粉方法よりも結果が改善されることを見出した。
関連論文リスト
- HARRIS: Hybrid Ranking and Regression Forests for Algorithm Selection [75.84584400866254]
両アプローチの強みを両アプローチの弱さを緩和しつつ組み合わせ, 特殊林を利用した新しいアルゴリズムセレクタを提案する。
HARRISの決定は、ハイブリッドランキングと回帰損失関数に基づいて最適化された木を作成する森林モデルに基づいている。
論文 参考訳(メタデータ) (2022-10-31T14:06:11Z) - Pre-Clustering Point Clouds of Crop Fields Using Scalable Methods [14.06711982797654]
この問題に対する現在の最先端技術と、一般的な密度に基づくクラスタリングアルゴリズムであるQuickshiftの類似性を示す。
汎用的でスケーラブルなプラントセグメンテーションアルゴリズムを作成することを目的とした,新しいアプリケーション固有アルゴリズムを提案する。
フィールドスケールの表現型システムに組み込む場合、提案アルゴリズムは、結果の精度を大幅に向上させる代替品として機能する。
論文 参考訳(メタデータ) (2021-07-22T22:47:22Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳(メタデータ) (2021-06-22T16:07:02Z) - Selection-Expansion: A Unifying Framework for Motion-Planning and
Diversity Search Algorithms [69.87173070473717]
本稿では,2つの多様性探索アルゴリズム,ノベルティ探索アルゴリズムとゴール探索処理アルゴリズムの特性について検討する。
mpアルゴリズムとの関係は、ポリシーパラメータ空間と結果空間の間のマッピングの滑らかさ、あるいは滑らかさの欠如が検索効率において重要な役割を担っていることを示している。
論文 参考訳(メタデータ) (2021-04-10T13:52:27Z) - Towards Feature-Based Performance Regression Using Trajectory Data [0.9281671380673306]
ブラックボックス最適化は非常に活発な研究領域であり、毎年多くの新しいアルゴリズムが開発されている。
アルゴリズムの多様性はメタプロブレム(メタプロブレム):どのアルゴリズムが与えられた問題を選択するか?
過去の研究では、探索ランドスケープ分析に基づくインスタンスごとのアルゴリズム選択が、このメタプロブレムに取り組むための効率的な手段であることが示されている。
論文 参考訳(メタデータ) (2021-02-10T10:19:13Z) - Annealed Stein Variational Gradient Descent [4.020523898765405]
スタイン変動勾配降下は、その柔軟性と精度の近似文献推論において注目されている。
本手法は,マルチモーダル分布から試料を採取する能力を実験的に検討し, (i) 粒子が局所モードから脱出できないこと, (ii) 異なる領域の密度を再現できないこと, という2つの重要な問題に注目する。
論文 参考訳(メタデータ) (2021-01-24T22:18:30Z) - Average-Reward Off-Policy Policy Evaluation with Function Approximation [66.67075551933438]
平均報酬MDPの関数近似によるオフポリシ政策評価を検討する。
ブートストラップは必要であり、オフポリシ学習とFAと一緒に、致命的なトライアドをもたらす。
そこで本研究では,勾配型tdアルゴリズムの成功を再現する2つの新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-01-08T00:43:04Z) - Variance-Reduced Off-Policy Memory-Efficient Policy Search [61.23789485979057]
政治政策の最適化は強化学習において難しい問題である。
オフポリシーアルゴリズムはメモリ効率が高く、オフポリシーサンプルから学ぶことができる。
論文 参考訳(メタデータ) (2020-09-14T16:22:46Z) - Differentially Private Accelerated Optimization Algorithms [0.7874708385247353]
微分プライベート最適化アルゴリズムの2つのクラスを示す。
最初のアルゴリズムはPolyakのヘビーボール法にインスパイアされている。
アルゴリズムの第2のクラスは、ネステロフの加速勾配法に基づいている。
論文 参考訳(メタデータ) (2020-08-05T08:23:01Z) - Active Model Estimation in Markov Decision Processes [108.46146218973189]
マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。
マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
論文 参考訳(メタデータ) (2020-03-06T16:17:24Z) - Generalization of Change-Point Detection in Time Series Data Based on
Direct Density Ratio Estimation [1.929039244357139]
既存のアルゴリズムを様々なバイナリ分類と回帰モデルを用いて一般化する方法を示す。
アルゴリズムは、いくつかの合成および実世界のデータセットでテストされる。
論文 参考訳(メタデータ) (2020-01-17T15:45:38Z)
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。