論文の概要: Performance of Genetic Algorithms in the Context of Software Model Refactoring

• arxiv url: http://arxiv.org/abs/2308.13875v1
• Date: Sat, 26 Aug 2023 13:25:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 12:26:30.327711
• Title: Performance of Genetic Algorithms in the Context of Software Model Refactoring
• Title（参考訳）: ソフトウェアモデルリファクタリングにおける遺伝的アルゴリズムの性能
• Authors: Vittorio Cortellessa, Daniele Di Pompeo, Michele Tucci
• Abstract要約: 本稿では,3つの遺伝的アルゴリズムの性能解析を行い,その性能と品質を比較検討する。 その結果,アルゴリズムの性能に有意な差が認められた。
• 参考スコア（独自算出の注目度）: 1.3812010983144802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Software systems continuously evolve due to new functionalities, requirements, or maintenance activities. In the context of software evolution, software refactoring has gained a strategic relevance. The space of possible software refactoring is usually very large, as it is given by the combinations of different refactoring actions that can produce software system alternatives. Multi-objective algorithms have shown the ability to discover alternatives by pursuing different objectives simultaneously. Performance of such algorithms in the context of software model refactoring is of paramount importance. Therefore, in this paper, we conduct a performance analysis of three genetic algorithms to compare them in terms of performance and quality of solutions. Our results show that there are significant differences in performance among the algorithms (e.g., PESA2 seems to be the fastest one, while NSGA-II shows the least memory usage).
• Abstract（参考訳）: ソフトウェアシステムは、新しい機能、要求、保守活動のために継続的に進化します。 ソフトウェア進化の文脈では、ソフトウェアリファクタリングは戦略的に関連づけられた。 可能なソフトウェアリファクタリングのスペースは、ソフトウェアシステムの代替案を生み出すさまざまなリファクタリングアクションの組み合わせによって与えられるため、通常は非常に大きい。 多目的アルゴリズムは、異なる目的を同時に追求することで代替物を見つける能力を示している。 ソフトウェアモデルリファクタリングの文脈におけるそのようなアルゴリズムのパフォーマンスは、非常に重要である。 そこで本研究では,3つの遺伝的アルゴリズムの性能解析を行い,その性能と解の質について比較する。 その結果,アルゴリズムの性能に有意差があることが判明した(例えば,pesa2は最速であり,nsga-iiはメモリ使用量が最も少ない)。

関連論文リスト

• RAGLAB: A Modular and Research-Oriented Unified Framework for Retrieval-Augmented Generation [54.707460684650584]
  大きな言語モデル(LLM)は対話、推論、知識保持における人間レベルの能力を示す。 現在の研究は、LLMに外部知識を組み込むことによって、このボトルネックに対処している。 RAGLABはモジュール的で研究指向のオープンソースライブラリで、6つの既存のアルゴリズムを再現し、RAGアルゴリズムを調査するための包括的なエコシステムを提供する。
  論文  参考訳（メタデータ） (2024-08-21T07:20:48Z)
• R2 Indicator and Deep Reinforcement Learning Enhanced Adaptive Multi-Objective Evolutionary Algorithm [1.8641315013048299]
  本稿では,強化学習に基づくエージェントを用いた新しい進化的アルゴリズム構造を提案する。 提案したR2強化学習多目的進化アルゴリズム(R2-RLMOEA)は,R2指標に基づく他の6つの多目的アルゴリズムと比較する。
  論文  参考訳（メタデータ） (2024-04-11T23:50:30Z)
• Explainable Benchmarking for Iterative Optimization Heuristics [0.8192907805418583]
  我々は、様々な最適化アルゴリズムの性能を分析し、理解するためのIOH-Xplainerソフトウェアフレームワークを紹介する。 さまざまなアルゴリズムコンポーネントと構成の影響を調査し、さまざまなシナリオにおけるパフォーマンスに関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-01-31T14:02:26Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• 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)
• Component-wise Analysis of Automatically Designed Multiobjective Algorithms on Constrained Problems [0.0]
  本研究では,自動設計アルゴリズムの最終的な構成が与える影響を調査するための新しい手法を提案する。 本手法は,9つの制約付き問題に対して,iraceパッケージによって設計された分解に基づく多目的進化アルゴリズム(MOEA/D)に応用する。 その結果、最も影響力のあるコンポーネントは再起動と更新の戦略であり、パフォーマンスが向上し、メトリック値がより異なることが示唆された。
  論文  参考訳（メタデータ） (2022-03-25T04:35:01Z)
• Generating Instances with Performance Differences for More Than Just Two Algorithms [2.061388741385401]
  本稿では,2つ以上のアルゴリズムに対して,同時に大きな性能差を示すインスタンスを進化させるフィットネス関数を提案する。 原理の証明として、3つの不完全TTP解法に対する多成分トラベリングティーフ問題(TTP)のインスタンスを進化させる。
  論文  参考訳（メタデータ） (2021-04-29T11:48:41Z)
• Identifying Co-Adaptation of Algorithmic and Implementational Innovations in Deep Reinforcement Learning: A Taxonomy and Case Study of Inference-based Algorithms [15.338931971492288]
  我々は、アルゴリズムの革新と実装決定を分離するために、一連の推論に基づくアクター批判アルゴリズムに焦点を当てる。 実装の詳細がアルゴリズムの選択に一致すると、パフォーマンスが大幅に低下します。 結果は、どの実装の詳細がアルゴリズムと共適応され、共進化しているかを示す。
  論文  参考訳（メタデータ） (2021-03-31T17:55:20Z)
• Learning to Optimize: A Primer and A Benchmark [94.29436694770953]
  最適化への学習(L2O)は、機械学習を活用して最適化方法を開発する新しいアプローチです。 この記事では、継続的最適化のためのL2Oの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2021-03-23T20:46:20Z)
• A Two-stage Framework and Reinforcement Learning-based Optimization Algorithms for Complex Scheduling Problems [54.61091936472494]
  本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。 スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。 その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
  論文  参考訳（メタデータ） (2021-03-10T03:16:12Z)
• Evolving Reinforcement Learning Algorithms [186.62294652057062]
  メタラーニング強化学習アルゴリズムの手法を提案する。 学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。 従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
  論文  参考訳（メタデータ） (2021-01-08T18:55:07Z)

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。