論文の概要: Space Net Optimization

• arxiv url: http://arxiv.org/abs/2306.00043v1
• Date: Wed, 31 May 2023 15:44:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 20:28:08.169552
• Title: Space Net Optimization
• Title（参考訳）: 空間ネット最適化
• Authors: Chun-Wei Tsai, Yi-Cheng Yang, Tzu-Chieh Tang and Che-Wei Hsu
• Abstract要約: ほとんどのメタヒューリスティックアルゴリズムは、収束過程において後続の探索を導くためのいくつかの探索解に依存している。 スペースネット最適化(SNO)と呼ばれる新しいメタヒューリスティックアルゴリズムを提案する。 スペースネットと呼ばれる新しいメカニズムを備えており、メタヒューリスティックアルゴリズムは全ての探索された解から得られるほとんどの情報を使って、解空間の風景を描写することができる。
• 参考スコア（独自算出の注目度）: 1.0323063834827415
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Most metaheuristic algorithms rely on a few searched solutions to guide later searches during the convergence process for a simple reason: the limited computing resource of a computer makes it impossible to retain all the searched solutions. This also reveals that each search of most metaheuristic algorithms is just like a ballpark guess. To help address this issue, we present a novel metaheuristic algorithm called space net optimization (SNO). It is equipped with a new mechanism called space net; thus, making it possible for a metaheuristic algorithm to use most information provided by all searched solutions to depict the landscape of the solution space. With the space net, a metaheuristic algorithm is kind of like having a ``vision'' on the solution space. Simulation results show that SNO outperforms all the other metaheuristic algorithms compared in this study for a set of well-known single objective bound constrained problems in most cases.
• Abstract（参考訳）: ほとんどのメタヒューリスティックなアルゴリズムは、コンバージェンスプロセス中の後の検索を、単純な理由でガイドするために、いくつかの検索されたソリューションに依存している。 これはまた、ほとんどのメタヒューリスティックアルゴリズムの探索が、まるでボールパークの推測のようなものであることも明らかにしている。 そこで本稿では,空間ネット最適化(sno)と呼ばれる新しいメタヒューリスティックアルゴリズムを提案する。 これはスペースネットと呼ばれる新しいメカニズムを備えており、メタヒューリスティックなアルゴリズムが全ての探索された解によって提供された多くの情報を使用して解空間の風景を描くことができる。 空間ネットでは、メタヒューリスティックなアルゴリズムは、解空間に 'vision'' を持つようなものである。 シミュレーションの結果、snoは、ほとんどのケースでよく知られた1つの目的限定問題に対して、他の全てのメタヒューリスティックアルゴリズムよりも優れています。

関連論文リスト

• A Generalized Evolutionary Metaheuristic (GEM) Algorithm for Engineering Optimization [1.6589012298747952]
  近年の大きなトレンドは、自然に着想を得たメタヒュースティックアルゴリズム(NIMA)の利用である。 文献には540以上のアルゴリズムがあり、異なるアルゴリズムの探索機構を理解するための統一的なフレームワークはない。 20以上の異なるアルゴリズムを統一する一般化された進化的メタヒューリスティックアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-02T09:55:15Z)
• A Metaheuristic Algorithm for Large Maximum Weight Independent Set Problems [58.348679046591265]
  ノード重み付きグラフが与えられたとき、ノード重みが最大となる独立した(相互に非隣接な)ノードの集合を見つける。 このアプリケーションで放送されるグラフの中には、数十万のノードと数億のエッジを持つ大きなものもあります。 我々は,不規則なランダム化適応検索フレームワークにおいてメタヒューリスティックな新しい局所探索アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-03-28T21:34:16Z)
• AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
  現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。 探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。 学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
  論文  参考訳（メタデータ） (2021-03-22T13:28:56Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• Quality-Diversity Optimization: a novel branch of stochastic optimization [5.677685109155078]
  マルチモーダル最適化アルゴリズムは、複数のことができる検索空間で最も高いピークを検索します。 品質多様性アルゴリズムは、進化的計算ツールボックスに最近追加されたもので、単一の局所光学系を探索するだけでなく、検索空間を照らそうとする。
  論文  参考訳（メタデータ） (2020-12-08T09:52:50Z)
• Community detection using fast low-cardinality semidefinite programming [94.4878715085334]
  局所的な更新を一般化し、ライデン-k-カットから導かれる半定緩和を最大化する、新しい低カルチナリティアルゴリズムを提案する。 提案アルゴリズムはスケーラビリティが高く,最先端のアルゴリズムより優れ,実時間では性能が向上し,追加コストがほとんどない。
  論文  参考訳（メタデータ） (2020-12-04T15:46:30Z)
• Learning (Re-)Starting Solutions for Vehicle Routing Problems [14.509927512118544]
  最適化問題の解決における鍵となる課題は、エージェント(ソルバ)を効率的に探索する方法である。 本稿では,機械学習を用いて探索を高速化できることを示す。
  論文  参考訳（メタデータ） (2020-08-08T02:53:09Z)
• Learning to Accelerate Heuristic Searching for Large-Scale Maximum Weighted b-Matching Problems in Online Advertising [51.97494906131859]
  バイパルタイトbマッチングはアルゴリズム設計の基本であり、経済市場や労働市場などに広く適用されている。 既存の正確で近似的なアルゴリズムは、通常そのような設定で失敗する。 我々は、以前の事例から学んだ知識を活用して、新しい問題インスタンスを解決するtextttNeuSearcherを提案する。
  論文  参考訳（メタデータ） (2020-05-09T02:48:23Z)
• 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。