論文の概要: PAO: A general particle swarm algorithm with exact dynamics and
closed-form transition densities
- arxiv url: http://arxiv.org/abs/2304.14956v1
- Date: Fri, 28 Apr 2023 16:19:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-01 13:34:00.420225
- Title: PAO: A general particle swarm algorithm with exact dynamics and
closed-form transition densities
- Title(参考訳): PAO: 正確な力学と閉形遷移密度を持つ一般粒子群アルゴリズム
- Authors: Max D. Champneys and Timothy J. Rogers
- Abstract要約: 粒子群最適化(PSO)アプローチは多くの応用分野において非常に効果的であることが証明されている。
本研究では, PSOアルゴリズムの高一般性, 解釈可能な変種であるパーティクル・アトラクター・アルゴリズム (PAO) 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/4.0/
- Abstract: A great deal of research has been conducted in the consideration of
meta-heuristic optimisation methods that are able to find global optima in
settings that gradient based optimisers have traditionally struggled. Of these,
so-called particle swarm optimisation (PSO) approaches have proven to be highly
effective in a number of application areas. Given the maturity of the PSO
field, it is likely that novel variants of the PSO algorithm stand to offer
only marginal gains in terms of performance -- there is, after all, no free
lunch. Instead of only chasing performance on suites of benchmark optimisation
functions, it is argued herein that research effort is better placed in the
pursuit of algorithms that also have other useful properties. In this work, a
highly-general, interpretable variant of the PSO algorithm -- particle
attractor algorithm (PAO) -- is proposed. Furthermore, the algorithm is
designed such that the transition densities (describing the motions of the
particles from one generation to the next) can be computed exactly in closed
form for each step. Access to closed-form transition densities has important
ramifications for the closely-related field of Sequential Monte Carlo (SMC). In
order to demonstrate that the useful properties do not come at the cost of
performance, PAO is compared to several other state-of-the art heuristic
optimisation algorithms in a benchmark comparison study.
- Abstract(参考訳): 勾配に基づく最適化者が伝統的に苦労してきた設定において,グローバルな最適性を見出すことのできるメタヒューリスティック最適化手法について,多くの研究がなされている。
これらのうち、いわゆる粒子群最適化(pso)アプローチは、多くの応用分野において非常に効果的であることが証明されている。
PSOの分野が成熟していることを考えると、PSOアルゴリズムの新しい変種は、パフォーマンスの面では限界的な利得しか提供しない。
ベンチマーク最適化関数のスイートのパフォーマンスだけを追いかけるのではなく、他の有用な特性を持つアルゴリズムの追求において研究の努力がより適していると論じている。
本研究では, psoアルゴリズムの高一般化, 解釈可能な変種である particle attractor algorithm (pao) を提案する。
さらに、このアルゴリズムは、遷移密度(粒子の運動を1世代から次の世代に記述する)を各ステップごとに正確に閉じた形で計算できるように設計されている。
閉形式遷移密度へのアクセスは、シークエンシャルモンテカルロ(SMC)の密接に関連する分野に重要な影響をもたらす。
実用性が性能の犠牲にならないことを示すために、PAOはベンチマーク比較研究において、他の最先端のヒューリスティック最適化アルゴリズムと比較される。
関連論文リスト
- Sample-efficient Bayesian Optimisation Using Known Invariances [56.34916328814857]
バニラと制約付きBOアルゴリズムは、不変目的を最適化する際の非効率性を示す。
我々はこれらの不変カーネルの最大情報ゲインを導出する。
核融合炉用電流駆動システムの設計に本手法を用い, 高性能溶液の探索を行った。
論文 参考訳(メタデータ) (2024-10-22T12:51:46Z) - Beyond Single-Model Views for Deep Learning: Optimization versus
Generalizability of Stochastic Optimization Algorithms [13.134564730161983]
本稿では、勾配降下(SGD)とその変種に着目し、ディープラーニングの最適化に新しいアプローチを採用する。
我々はSGDとその変種がSAMのような平らなミニマと同等の性能を示すことを示した。
本研究は、トレーニング損失とホールドアウト精度の関係、およびSGDとノイズ対応変種の性能について、いくつかの重要な知見を明らかにした。
論文 参考訳(メタデータ) (2024-03-01T14:55:22Z) - 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) - Exploring the Algorithm-Dependent Generalization of AUPRC Optimization
with List Stability [107.65337427333064]
AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。
本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。
3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
論文 参考訳(メタデータ) (2022-09-27T09:06:37Z) - Using Particle Swarm Optimization as Pathfinding Strategy in a Space
with Obstacles [4.899469599577755]
Particle Swarm Optimization (PSO) は集団適応最適化に基づく探索アルゴリズムである。
本稿では,幅広いアプリケーションを対象としたパスプランニングの効率化を図るため,パスフィニング戦略を提案する。
論文 参考訳(メタデータ) (2021-12-16T12:16:02Z) - Directed particle swarm optimization with Gaussian-process-based
function forecasting [15.733136147164032]
パーティクルスワム最適化 (PSO) は、探索空間を囲む一組の候補解を、ランダム化されたステップ長を持つ最もよく知られたグローバルおよびローカルな解へ移動させる反復探索法である。
本アルゴリズムは探索的・搾取的行動に対して望ましい特性が得られることを示す。
論文 参考訳(メタデータ) (2021-02-08T13:02:57Z) - Motion-Encoded Particle Swarm Optimization for Moving Target Search
Using UAVs [4.061135251278187]
本稿では,無人航空機(UAV)を用いた移動目標探索のための動き符号化粒子群最適化(MPSO)という新しいアルゴリズムを提案する。
提案するMPSOは,PSOアルゴリズムで粒子生成に進化する一連のUAV運動経路として探索軌道を符号化することにより,その問題を解決するために開発された。
既存手法による広範囲なシミュレーションの結果,提案手法は検出性能を24%,時間性能を4.71倍改善した。
論文 参考訳(メタデータ) (2020-10-05T14:17:49Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳(メタデータ) (2020-10-01T18:14:11Z) - A Dynamical Systems Approach for Convergence of the Bayesian EM
Algorithm [59.99439951055238]
我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。
本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。
高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
論文 参考訳(メタデータ) (2020-06-23T01:34:18Z) - 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。
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。