論文の概要: Herder Ants: Ant Colony Optimization with Aphids for Discrete
Event-Triggered Dynamic Optimization Problems
- arxiv url: http://arxiv.org/abs/2304.07646v1
- Date: Sat, 15 Apr 2023 22:21:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 18:07:46.622070
- Title: Herder Ants: Ant Colony Optimization with Aphids for Discrete
Event-Triggered Dynamic Optimization Problems
- Title（参考訳）: Herder Ants: Aphidによるイベントトリガー動的最適化問題の離散化のためのAnt Colony Optimization
- Authors: Jonas Skackauskas, Tatiana Kalganova
- Abstract要約: 現在利用可能なAnt Colony Optimization (ACO)アルゴリズムの動的最適化戦略は、各動的変化が発生した後、遅いアルゴリズム収束またはソリューション品質に対する重大なペナルティのトレードオフを提供する。
本稿では,アリとアフィドの共生関係をモデルとしたAphidsを用いたAnt Colony Optimization (ACO) という離散的動的最適化手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Currently available dynamic optimization strategies for Ant Colony
Optimization (ACO) algorithm offer a trade-off of slower algorithm convergence
or significant penalty to solution quality after each dynamic change occurs.
This paper proposes a discrete dynamic optimization strategy called Ant Colony
Optimization (ACO) with Aphids, modelled after a real-world symbiotic
relationship between ants and aphids. ACO with Aphids strategy is designed to
improve solution quality of discrete domain Dynamic Optimization Problems
(DOPs) with event-triggered discrete dynamism. The proposed strategy aims to
improve the inter-state convergence rate throughout the entire dynamic
optimization. It does so by minimizing the fitness penalty and maximizing the
convergence speed that occurs after the dynamic change. This strategy is tested
against Full-Restart and Pheromone-Sharing strategies implemented on the same
ACO core algorithm solving Dynamic Multidimensional Knapsack Problem (DMKP)
benchmarks. ACO with Aphids has demonstrated superior performance over the
Pheromone-Sharing strategy in every test on average gap reduced by 29.2%. Also,
ACO with Aphids has outperformed the Full-Restart strategy for large datasets
groups, and the overall average gap is reduced by 52.5%.
- Abstract（参考訳）: 現在利用可能なAnt Colony Optimization (ACO)アルゴリズムの動的最適化戦略は、各動的変化が発生した後、遅いアルゴリズム収束またはソリューション品質に対する重大なペナルティのトレードオフを提供する。
本稿では,アリとアフィドの共生関係をモデルとしたAphidsを用いたAnt Colony Optimization (ACO) という離散的動的最適化手法を提案する。
aphids strategyによるacoは、イベントトリガ付き離散ダイナミズムによる離散ドメイン動的最適化問題(dops)の解品質を改善するように設計されている。
提案手法は動的最適化全体の状態間収束率を改善することを目的としている。
これは、フィットネスペナルティを最小化し、ダイナミックな変化後に起こる収束速度を最大化する。
この戦略は、dmkp(dynamic multidimensional knapsack problem)ベンチマークを解いた同じacoコアアルゴリズムに実装されたフルリスタートおよびフェロモン共有戦略に対してテストされる。
ACO with Aphidsは、平均ギャップにおける全てのテストにおいてフェロモン共有戦略よりも優れた性能を示した。
また、AphidsによるACOは、大規模なデータセットグループに対するFull-Restart戦略よりも優れており、全体の平均ギャップは52.5%削減されている。
関連論文リスト
- Deep Reinforcement Learning for Online Optimal Execution Strategies [49.1574468325115]
本稿では,動的な金融市場における非マルコフ的最適実行戦略の学習に挑戦する。
我々は,Deep Deterministic Policy Gradient(DDPG)に基づく新しいアクター批判アルゴリズムを提案する。
提案アルゴリズムは最適実行戦略の近似に成功していることを示す。
論文 参考訳（メタデータ） (2024-10-17T12:38:08Z) - Combining Kernelized Autoencoding and Centroid Prediction for Dynamic
Multi-objective Optimization [3.431120541553662]
本稿では,カーネル化された自己コード進化探索と遠近法に基づく予測を組み合わせた統一パラダイムを提案する。
提案手法は,多くの複雑なベンチマーク問題に対して,最先端の5つのアルゴリズムと比較する。
論文 参考訳（メタデータ） (2023-12-02T00:24:22Z) - Advancements in Optimization: Adaptive Differential Evolution with
Diversification Strategy [0.0]
この研究は2次元空間において単目的最適化を採用し、複数の反復で各ベンチマーク関数上でADEDSを実行する。
ADEDSは、多くの局所最適化、プレート型、谷型、伸縮型、ノイズの多い機能を含む様々な最適化課題において、標準Dより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-02T10:05:41Z) - Iterative Layerwise Training for Quantum Approximate Optimization
Algorithm [0.39945675027960637]
最適化問題の解法における量子近似最適化アルゴリズム(QAOA)の能力は近年,盛んに研究されている。
本稿では,QAOAによる問題解決における最適化コスト削減の可能性を検討する。
論文 参考訳（メタデータ） (2023-09-24T05:12:48Z) - Bidirectional Looking with A Novel Double Exponential Moving Average to
Adaptive and Non-adaptive Momentum Optimizers [109.52244418498974]
我々は,新しいtextscAdmeta(textbfADouble指数textbfMov averagtextbfE textbfAdaptiveおよび非適応運動量)フレームワークを提案する。
我々は、textscAdmetaR と textscAdmetaS の2つの実装を提供し、前者は RAdam を、後者は SGDM をベースとしています。
論文 参考訳（メタデータ） (2023-07-02T18:16:06Z) - Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and
Stability [67.8426046908398]
汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。
本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
論文 参考訳（メタデータ） (2022-04-08T20:46:16Z) - Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。
我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。
また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
論文 参考訳（メタデータ） (2021-07-02T16:21:52Z) - Accelerated WGAN update strategy with loss change rate balancing [2.436681150766912]
We propose a new update strategy for Wasserstein GANs (WGAN) and other GANs using the WGAN loss。
提案手法は収束速度と精度の両方を改善することを実証する。
論文 参考訳（メタデータ） (2020-08-28T03:29:09Z) - 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) - 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) - Dynamic Impact for Ant Colony Optimization algorithm [0.0]
本稿では,動的インパクト (Dynamic Impact) と呼ばれるAnt Colony Optimization (ACO) アルゴリズムの拡張手法を提案する。
動的インパクトは、最適化されたソリューションの他の部分とリソース消費と適合性の間に非線形な関係を持つ挑戦的な最適化問題の解決を目的としている。
アルゴリズムの実装は、小さくて大きなデータセットとスパース最適化の問題で優れた性能を示した。
論文 参考訳（メタデータ） (2020-02-10T21:46:32Z)
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。