論文の概要: Modular Differential Evolution
- arxiv url: http://arxiv.org/abs/2304.09524v1
- Date: Wed, 19 Apr 2023 09:29:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-20 15:00:29.663919
- Title: Modular Differential Evolution
- Title（参考訳）: モジュラー微分進化
- Authors: Diederick Vermetten, Fabio Caraffini, Anna V. Kononova, Thomas B\"ack
- Abstract要約: 本稿では,一般的な微分進化(DE)アルゴリズムのためのモジュラーフレームワークを提案する。
モジュールDEの設定のチューニングは、我々のフレームワークで再現された一般的なDEバージョンのセットよりも大幅に優れています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: New contributions in the field of iterative optimisation heuristics are often
made in an iterative manner. Novel algorithmic ideas are not proposed in
isolation, but usually as an extension of a preexisting algorithm. Although
these contributions are often compared to the base algorithm, it is challenging
to make fair comparisons between larger sets of algorithm variants. This
happens because even small changes in the experimental setup, parameter
settings, or implementation details can cause results to become incomparable.
Modular algorithms offer a way to overcome these challenges. By implementing
the algorithmic modifications into a common framework, many algorithm variants
can be compared, while ensuring that implementation details match in all
versions.
In this work, we propose a version of a modular framework for the popular
Differential Evolution (DE) algorithm. We show that this modular approach not
only aids in comparison, but also allows for a much more detailed exploration
of the space of possible DE variants. This is illustrated by showing that
tuning the settings of modular DE vastly outperforms a set of commonly used DE
versions which have been recreated in our framework. We then investigate these
tuned algorithms in detail, highlighting the relation between modules and
performance on particular problems.
- Abstract（参考訳）: 反復最適化ヒューリスティックの分野における新しい貢献はしばしば反復的に行われる。
新たなアルゴリズムのアイデアは独立して提案されるのではなく、通常既存のアルゴリズムの拡張として提案される。
これらの貢献はしばしば基本アルゴリズムと比較されるが、大きなアルゴリズムの変種間で公平な比較を行うことは困難である。
これは、実験的な設定やパラメータ設定、実装の詳細が小さな変更であっても、結果が相容れないためである。
モジュラーアルゴリズムはこれらの課題を克服する方法を提供する。
共通のフレームワークにアルゴリズムの修正を実装することで、すべてのバージョンで実装の詳細が一致することを保証しながら、多くのアルゴリズムのバリエーションを比較することができる。
本研究では,一般的な微分進化(DE)アルゴリズムのためのモジュラーフレームワークのバージョンを提案する。
このモジュラーアプローチが比較の助けとなるだけでなく、より詳細なDEM変種空間の探索を可能にすることも示している。
これは、modular deの設定のチューニングが、フレームワークで再作成されている一般的なdeバージョンを大幅に上回っていることを示していることで示されています。
次に,調整されたアルゴリズムを詳細に検討し,モジュールと特定の問題に対する性能の関係を強調する。
関連論文リスト
- An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-30T15:57:14Z) - SCREWS: A Modular Framework for Reasoning with Revisions [58.698199183147935]
我々は、リビジョンを伴う推論のためのモジュラーフレームワークであるSCREWSを紹介する。
我々は、SCREWSが、共通のフレームワークの下で、いくつかの以前のアプローチを統合することを示す。
我々は,多種多様な推論タスクに基づいて,最先端のLCMを用いてフレームワークの評価を行った。
論文 参考訳（メタデータ） (2023-09-20T15:59:54Z) - Decision Diagram-Based Branch-and-Bound with Caching for Dominance and
Suboptimality Detection [9.175779296469194]
本稿では動的プログラミングモデルの構造を利用して探索を高速化する新しい要素を提案する。
鍵となる考え方は、検索中にキャッシュされた拡張しきい値に問い合わせることによって、同じ動的プログラミング状態に対応するノードの繰り返し拡張を防止することである。
このキャッシング機構によって引き起こされるプルーニングは、アルゴリズムによって拡張されたノード数を著しく削減できることを示す実験である。
論文 参考訳（メタデータ） (2022-11-22T10:18:33Z) - An Application of a Multivariate Estimation of Distribution Algorithm to
Cancer Chemotherapy [59.40521061783166]
癌に対する化学療法治療は、多数の相互作用する変数と制約を持つ複雑な最適化問題である。
より洗練されたアルゴリズムは、このような複雑な問題に対してより良いパフォーマンスをもたらすことが示される。
我々は、この問題における多数の相互作用によって、より洗練されたアルゴリズムが妨げられていることが原因であると仮定する。
論文 参考訳（メタデータ） (2022-05-17T15:28:46Z) - 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) - Kernel Clustering with Sigmoid-based Regularization for Efficient
Segmentation of Sequential Data [3.8326963933937885]
セグメント化は、データシーケンスを非線形で複雑な構造を持つ複数の重複しないセグメントに分割することを目的としている。
この問題を最適に解決するための一般的なカーネルは動的プログラミング(DP)である。
最適セグメンテーションを近似するために多くのアルゴリズムが提案されているが、それらの解の品質は保証されていない。
論文 参考訳（メタデータ） (2021-06-22T04:32:21Z) - Determinantal Beam Search [75.84501052642361]
ビームサーチは、ニューラルシーケンスモデルをデコードするためのゴーツー戦略である。
複数のソリューションを要求するユースケースでは、多様あるいは代表的なセットがしばしば望まれる。
ビームサーチを一連の部分決定問題として繰り返し行うことにより、アルゴリズムを多種多様なサブセット選択プロセスに変換することができる。
論文 参考訳（メタデータ） (2021-06-14T13:01:46Z) - Tuning as a Means of Assessing the Benefits of New Ideas in Interplay
with Existing Algorithmic Modules [3.967483941966979]
新しいアルゴリズムのアイデアの導入は、既存の最適化アルゴリズムの継続的な改善の鍵となる部分である。
我々は、新しいアルゴリズムコンポーネントの利点を評価する手段として、ハイパーパラメータチューニングを用いる、より広範な手順を導入する。
これにより、パフォーマンスへの影響だけでなく、このパフォーマンスがどのように達成されるかを調査することで、より堅牢な分析が可能になる。
論文 参考訳（メタデータ） (2021-02-25T14:59:55Z) - Towards Dynamic Algorithm Selection for Numerical Black-Box
Optimization: Investigating BBOB as a Use Case [4.33419118449588]
シングルスウィッチな動的アルゴリズムの選択(dynAS)でさえ、大きな性能向上をもたらす可能性があることを示す。
また、dynASにおける重要な課題についても論じ、BBOBフレームワークがこれらを克服する上で有用なツールになり得ると論じる。
論文 参考訳（メタデータ） (2020-06-11T16:36:11Z) - Model Selection in Contextual Stochastic Bandit Problems [51.94632035240787]
基本アルゴリズムを選択できるメタアルゴリズムを開発した。
基本アルゴリズムの1つが$O(sqrtT)$後悔している場合でも、一般的には$Omega(sqrtT)$後悔よりも良いものを得ることはできません。
論文 参考訳（メタデータ） (2020-03-03T18:46:34Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z)
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。