論文の概要: Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic
Algorithm for Solving Combinatorial Optimization Problems
- arxiv url: http://arxiv.org/abs/2309.16413v1
- Date: Thu, 28 Sep 2023 13:05:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-29 14:27:21.664111
- Title: Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic
Algorithm for Solving Combinatorial Optimization Problems
- Title(参考訳): 遺伝的工学アルゴリズム(gea) : 組合せ最適化問題を解決する効率的なメタヒューリスティックアルゴリズム
- Authors: Majid Sohrabi, Amir M. Fathollahi-Fard, and Vasilii A. Gromov
- Abstract要約: 遺伝的アルゴリズム(GA)は最適化問題の解法における効率性で知られている。
本稿では遺伝子工学の概念からインスピレーションを得るため,遺伝子工学アルゴリズム(GEA)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。
- 参考スコア(独自算出の注目度): 1.8434042562191815
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Genetic Algorithms (GAs) are known for their efficiency in solving
combinatorial optimization problems, thanks to their ability to explore diverse
solution spaces, handle various representations, exploit parallelism, preserve
good solutions, adapt to changing dynamics, handle combinatorial diversity, and
provide heuristic search. However, limitations such as premature convergence,
lack of problem-specific knowledge, and randomness of crossover and mutation
operators make GAs generally inefficient in finding an optimal solution. To
address these limitations, this paper proposes a new metaheuristic algorithm
called the Genetic Engineering Algorithm (GEA) that draws inspiration from
genetic engineering concepts. GEA redesigns the traditional GA while
incorporating new search methods to isolate, purify, insert, and express new
genes based on existing ones, leading to the emergence of desired traits and
the production of specific chromosomes based on the selected genes. Comparative
evaluations against state-of-the-art algorithms on benchmark instances
demonstrate the superior performance of GEA, showcasing its potential as an
innovative and efficient solution for combinatorial optimization problems.
- Abstract(参考訳): 遺伝的アルゴリズム(GA)は、様々な解空間の探索、様々な表現の扱い、並列性の利用、優れた解の保存、動的変化への適応、組合せ的多様性の取り扱い、ヒューリスティック検索の能力により、組合せ最適化問題の解法における効率性で知られている。
しかし、早期収束、問題固有の知識の欠如、クロスオーバーや突然変異演算子のランダム性といった制限により、ガスは一般に最適解を見つけるのに非効率になる。
本稿では,遺伝子工学の概念から着想を得た遺伝子工学アルゴリズム(GEA)というメタヒューリスティックアルゴリズムを提案する。
GEAは従来のGAを再設計し、既存の遺伝子に基づいて新規遺伝子を単離、精製、挿入、発現するための新しい検索手法を導入し、所望の形質の出現と選択された遺伝子に基づく特定の染色体の生成につながった。
ベンチマークインスタンス上での最先端アルゴリズムに対する比較評価は、GAAの優れた性能を示し、組合せ最適化問題の革新的で効率的な解としての可能性を示している。
関連論文リスト
- The FAIRy Tale of Genetic Algorithms [1.0957528713294875]
Findable、Accessible、Interoperable、Reusable(FAIR)のデータ原則を拡張して、アルゴリズムの遺伝的および再使用を可能にしました。
我々は,GAの方法論的展開と変種について概説し,適切なソースの再現や発見を困難にしている。
この作業は、多数の機械学習アルゴリズム/メソッドに拡張することができる。
論文 参考訳(メタデータ) (2023-04-29T11:36:09Z) - Discovering Attention-Based Genetic Algorithms via Meta-Black-Box
Optimization [13.131971623143622]
全く新しい遺伝的アルゴリズムをデータ駆動方式で発見する。
我々は、選択と突然変異率の適応をクロスアテンションモジュールおよびセルフアテンションモジュールとしてパラメトリズする。
学習アルゴリズムは、未確認の最適化問題、探索次元、評価予算に適用できる。
論文 参考訳(メタデータ) (2023-04-08T12:14:15Z) - Massively Parallel Genetic Optimization through Asynchronous Propagation
of Populations [50.591267188664666]
Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。
提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。
Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
論文 参考訳(メタデータ) (2023-01-20T18:17:34Z) - Stochastic Gradient Descent-Ascent: Unified Theory and New Efficient
Methods [73.35353358543507]
SGDA(Gradient Descent-Ascent)は、min-max最適化と変分不等式問題(VIP)を解くための最も顕著なアルゴリズムの1つである。
本稿では,多種多様な降下指数法を網羅した統合収束解析を提案する。
本研究では,新しい分散化手法 (L-SVRGDA) や,新しい分散圧縮方式 (QSGDA, DIANA-SGDA, VR-DIANA-SGDA) ,座標ランダム化方式 (SEGA-SGDA) など,SGDAの新しい変種を開発した。
論文 参考訳(メタデータ) (2022-02-15T09:17:39Z) - VNE Strategy based on Chaotic Hybrid Flower Pollination Algorithm
Considering Multi-criteria Decision Making [12.361459296815559]
仮想ネットワーク埋め込み (Virtual Network Embedding, VNE) 問題に対するハイブリッド花の受粉アルゴリズムの設計戦略について論じる。
クロス操作は、グローバル検索を完了させるためにクロスポリン化操作を置き換えるために使用される。
従来のフィットネスベースの選択戦略の補完としてライフサイクルメカニズムが導入されている。
論文 参考訳(メタデータ) (2022-02-07T00:57:00Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳(メタデータ) (2021-10-18T14:00:22Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳(メタデータ) (2021-06-09T08:05:36Z) - Hybrid Henry Gas Solubility Optimization Algorithm with Dynamic
Cluster-to-Algorithm Mapping for Search-based Software Engineering Problems [1.0323063834827413]
本稿ではHenry Gas Solubility Optimization(HGSO)アルゴリズムの新しい変種であるHGSO(Hybrid HGSO)について述べる。
前者とは異なり、HHGSOは異なるメタヒューリスティックアルゴリズムを提供する複数のクラスタを同じ集団内で共存させることができる。
HHGSOは、適応的な切替係数を持つペナル化および報酬モデルによる動的クラスタ-アルゴリズムマッピングを発明し、メタヒューリスティックなハイブリダイゼーションのための新しいアプローチを提供する。
論文 参考訳(メタデータ) (2021-05-31T12:42:15Z) - cMLSGA: A Co-Evolutionary Multi-Level Selection Genetic Algorithm for
Multi-Objective Optimization [0.0]
MLSGA(Multi-Level Selection Genetic Algorithm)は、すでに様々な問題に対して優れた性能を示している。
本稿では,共進化を個人ではなく集団間の競争として定義する,個別の共進化機構を提案する。
論文 参考訳(メタデータ) (2021-04-22T13:52:21Z) - AdaLead: A simple and robust adaptive greedy search algorithm for
sequence design [55.41644538483948]
我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。
AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
論文 参考訳(メタデータ) (2020-10-05T16:40:38Z) - 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。