論文の概要: Enhanced Opposition Differential Evolution Algorithm for Multimodal
Optimization
- arxiv url: http://arxiv.org/abs/2208.11066v1
- Date: Tue, 23 Aug 2022 16:18:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 12:50:52.428772
- Title: Enhanced Opposition Differential Evolution Algorithm for Multimodal
Optimization
- Title（参考訳）: マルチモーダル最適化のための拡張逆微分進化アルゴリズム
- Authors: Shatendra Singh and Aruna Tiwari
- Abstract要約: 現実の問題は、本質的には複数の最適値からなるマルチモーダルである。
古典的な勾配に基づく手法は、目的関数が不連続あるいは微分不可能な最適化問題に対して失敗する。
我々は,MMOPを解くために,拡張オポポジション微分進化(EODE)アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 0.2538209532048866
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Most of the real-world problems are multimodal in nature that consists of
multiple optimum values. Multimodal optimization is defined as the process of
finding multiple global and local optima (as opposed to a single solution) of a
function. It enables a user to switch between different solutions as per the
need while still maintaining the optimal system performance. Classical
gradient-based methods fail for optimization problems in which the objective
functions are either discontinuous or non-differentiable. Evolutionary
Algorithms (EAs) are able to find multiple solutions within a population in a
single algorithmic run as compared to classical optimization techniques that
need multiple restarts and multiple runs to find different solutions. Hence,
several EAs have been proposed to solve such kinds of problems. However,
Differential Evolution (DE) algorithm is a population-based heuristic method
that can solve such optimization problems, and it is simple to implement. The
potential challenge in Multi-Modal Optimization Problems (MMOPs) is to search
the function space efficiently to locate most of the peaks accurately. The
optimization problem could be to minimize or maximize a given objective
function and we aim to solve the maximization problems on multimodal functions
in this study. Hence, we have proposed an algorithm known as Enhanced
Opposition Differential Evolution (EODE) algorithm to solve the MMOPs. The
proposed algorithm has been tested on IEEE Congress on Evolutionary Computation
(CEC) 2013 benchmark functions, and it achieves competitive results compared to
the existing state-of-the-art approaches.
- Abstract（参考訳）: 現実の問題は、本質的には複数の最適値からなるマルチモーダルである。
マルチモーダル最適化は、関数の複数の大域的および局所的最適(単一解とは対照的に)を見つける過程として定義される。
これにより、ユーザーは最適なシステム性能を維持しながら、必要に応じて異なるソリューションを切り替えることができる。
古典的な勾配に基づく方法は、目的関数が不連続あるいは非微分可能である最適化問題では失敗する。
進化的アルゴリズム(EA)は、複数の再起動と異なる解を見つけるために複数の実行を必要とする古典的な最適化手法と比較して、1つのアルゴリズム実行中に複数の解を見つけることができる。
したがって、このような問題を解決するためにいくつかのeasが提案されている。
しかし、微分進化(DE)アルゴリズムは、そのような最適化問題を解くことのできる集団ベースのヒューリスティック手法であり、実装は簡単である。
MMOP(Multi-Modal Optimization Problems)の潜在的な課題は、関数空間を効率的に探索し、ほとんどのピークを正確に見つけることである。
最適化問題は、与えられた目的関数を最小化または最大化することであり、本研究では、マルチモーダル関数の最大化問題を解くことを目的とする。
そこで本研究では,mmopsの解法として拡張型抵抗微分進化 (eode) アルゴリズムを提案する。
提案アルゴリズムは、IEEE Congress on Evolutionary Computation (CEC) 2013ベンチマーク関数でテストされており、既存の最先端のアプローチと比較して、競合的な結果が得られる。
関連論文リスト
- Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - Modified CMA-ES Algorithm for Multi-Modal Optimization: Incorporating Niching Strategies and Dynamic Adaptation Mechanism [0.03495246564946555]
本研究では,多モード最適化問題に対する共分散行列適応進化戦略 (CMA-ES) アルゴリズムを改良する。
この拡張は、複数のグローバルミニマの課題への対処、多様性の維持と複雑なフィットネスランドスケープを探索するアルゴリズムの能力の改善に焦点を当てている。
ニッチ戦略と動的適応機構を取り入れて,複数のグローバル最適化を識別・最適化するアルゴリズムの性能を向上する。
論文 参考訳（メタデータ） (2024-07-01T03:41:39Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - 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) - Solving integer multi-objective optimization problems using TOPSIS,
Differential Evolution and Tabu Search [4.213427823201119]
本稿では,非線形整数多目的最適化問題の解法を提案する。
第一に、問題は理想解(TOPSIS)に類似した順序選好法を用いて定式化される。
次に、その3つのバージョン(標準DE、DEGL、DEGL)における微分進化(DE)アルゴリズムが、DEベストとDEGLとして使用される。
DEアルゴリズムで見つかる解は連続であるため、最適化プロセス中に整数解を見つけるためにTabu Search (TS)アルゴリズムが使用される。
論文 参考訳（メタデータ） (2022-04-05T23:59:33Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - A Simple Evolutionary Algorithm for Multi-modal Multi-objective
Optimization [0.0]
マルチモーダル・多目的最適化問題(MMOP)を解くための定常進化アルゴリズムを提案する。
本報告では,1000関数評価の低計算予算を用いて,様々なテストスイートから得られた21個のMMOPの性能について報告する。
論文 参考訳（メタデータ） (2022-01-18T03:31:11Z) - A Framework to Handle Multi-modal Multi-objective Optimization in
Decomposition-based Evolutionary Algorithms [7.81768535871051]
分解に基づく進化的アルゴリズムは多目的最適化に優れた性能を持つ。
解空間の多様性を維持するメカニズムが欠如しているため、マルチモーダルな多目的最適化にはあまり役に立たない可能性が高い。
本稿では,マルチモーダル多目的最適化のための分解に基づく進化的アルゴリズムの性能向上のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-30T14:32:57Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z) - A Decomposition-based Large-scale Multi-modal Multi-objective
Optimization Algorithm [9.584279193016522]
広範に使われているMOEA/Dアルゴリズムに基づく効率的なマルチモーダル多目的最適化アルゴリズムを提案する。
実験の結果,提案アルゴリズムは決定空間における解の多様性を効果的に維持できることが示された。
論文 参考訳（メタデータ） (2020-04-21T09:18:54Z) - GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal
Black Box Constraint Satisfaction [69.94831587339539]
本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。
我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
論文 参考訳（メタデータ） (2020-02-17T20:21:20Z)
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。