論文の概要: Modified LAB Algorithm with Clustering-based Search Space Reduction
Method for solving Engineering Design Problems
- arxiv url: http://arxiv.org/abs/2310.03055v1
- Date: Wed, 4 Oct 2023 12:35:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-06 20:51:11.836024
- Title: Modified LAB Algorithm with Clustering-based Search Space Reduction
Method for solving Engineering Design Problems
- Title（参考訳）: クラスタリングに基づく探索空間削減手法を用いたLABアルゴリズムによる工学設計問題の解法
- Authors: Ruturaj Reddy, Utkarsh Gupta, Ishaan Kale, Apoorva Shastri, Anand J
Kulkarni
- Abstract要約: 本稿では,改良型LABアルゴリズムを提案する。
提案アルゴリズムは、ルーレットホイールアプローチとグループ間競争を導入した還元係数を取り入れたものである。
アルゴリズムは改良され、より優れたロバスト性と探索空間探索能力を示した。
- 参考スコア（独自算出の注目度）: 0.7789406630452325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A modified LAB algorithm is introduced in this paper. It builds upon the
original LAB algorithm (Reddy et al. 2023), which is a socio-inspired algorithm
that models competitive and learning behaviours within a group, establishing
hierarchical roles. The proposed algorithm incorporates the roulette wheel
approach and a reduction factor introducing inter-group competition and
iteratively narrowing down the sample space. The algorithm is validated by
solving the benchmark test problems from CEC 2005 and CEC 2017. The solutions
are validated using standard statistical tests such as two-sided and pairwise
signed rank Wilcoxon test and Friedman rank test. The algorithm exhibited
improved and superior robustness as well as search space exploration
capabilities. Furthermore, a Clustering-Based Search Space Reduction (C-SSR)
method is proposed, making the algorithm capable to solve constrained problems.
The C-SSR method enables the algorithm to identify clusters of feasible
regions, satisfying the constraints and contributing to achieve the optimal
solution. This method demonstrates its effectiveness as a potential alternative
to traditional constraint handling techniques. The results obtained using the
Modified LAB algorithm are then compared with those achieved by other recent
metaheuristic algorithms.
- Abstract（参考訳）: 本稿では,改良型LABアルゴリズムを提案する。
LABアルゴリズム(Reddy et al. 2023)は、グループ内の競争と学習の振る舞いをモデル化し、階層的な役割を確立する、社会に触発されたアルゴリズムである。
提案手法は, ルーレットホイールアプローチとグループ間競争を取り入れ, サンプル空間を反復的に狭める還元係数を組み込んだものである。
このアルゴリズムは、CEC 2005とCEC 2017のベンチマークテスト問題を解くことで検証される。
これらの解は、Wilcoxon test と Friedman rank test のような標準的な統計テストを用いて検証される。
アルゴリズムは改良され、より優れた堅牢性と探索空間探索能力を示した。
さらに,クラスタリングに基づく探索空間削減法(c-ssr法)を提案する。
C-SSR法は、アルゴリズムが実現可能な領域のクラスタを識別し、制約を満たし、最適解を達成するのに寄与する。
この手法は従来の制約処理手法の代替としての有効性を示す。
修正LABアルゴリズムを用いて得られた結果は、他のメタヒューリスティックアルゴリズムによる結果と比較される。
関連論文リスト
- Hybrid ACO-CI Algorithm for Beam Design problems [0.4397520291340694]
The novel hybrid version of the Ant colony optimization (ACO) method was developed using the sample space reduction technique of the Cohort Intelligence (CI) algorithm。
提案した研究は、工学領域や医療問題を含む現実世界の応用について検討することができる。
論文 参考訳（メタデータ） (2023-03-29T04:37:14Z) - A Hybrid Chimp Optimization Algorithm and Generalized Normal
Distribution Algorithm with Opposition-Based Learning Strategy for Solving
Data Clustering Problems [0.0]
本稿では、類似データと異種データを異なるグループに分類するコネクティビティ原則に基づいて、クラスタを分離するデータクラスタリングについて検討する。
メタヒューリスティック最適化アルゴリズムとインテリジェンスに基づく手法が,最適解を妥当な時間で達成するために導入された。
論文 参考訳（メタデータ） (2023-02-16T23:29:01Z) - A socio-physics based hybrid metaheuristic for solving complex
non-convex constrained optimization problems [0.19662978733004596]
提案した制約付き最適化手法を批判的に検証する必要がある。
探索は、多数の線形制約と非型不等式を含むため、異なる。
最初のCIベースのアルゴリズムには、自己適応型ペナルティアプローチが組み込まれている。
第2のアルゴリズムはCI-SAPFと未来の参照特性を組み合わせたものである。
論文 参考訳（メタデータ） (2022-09-02T07:46:46Z) - Adaptive Group Collaborative Artificial Bee Colony Algorithm [12.843155301033512]
人工蜂コロニー(ABC)アルゴリズムは競争力があることが示されている。
解空間全体(探索と呼ばれる)におけるグローバル探索の能力のバランスが取れず、局所解空間における迅速な探索が難しい。
ABCの性能向上のために,適応グループ協調ABC(AgABC)アルゴリズムを導入した。
論文 参考訳（メタデータ） (2021-12-02T13:33:37Z) - An Exact Algorithm for Semi-supervised Minimum Sum-of-Squares Clustering [0.5801044612920815]
半教師付きMSSCのための分岐結合アルゴリズムを提案する。
背景知識はペアワイズ・マスタリンクと結びつかない制約として組み込まれている。
提案したグローバル最適化アルゴリズムは,実世界のインスタンスを最大800個のデータポイントまで効率的に解決する。
論文 参考訳（メタデータ） (2021-11-30T17:08:53Z) - Algorithm Selection on a Meta Level [58.720142291102135]
本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。
本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
論文 参考訳（メタデータ） (2021-07-20T11:23:21Z) - Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex
Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。
我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。
我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
論文 参考訳（メタデータ） (2021-06-08T15:54:44Z) - 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) - IDEAL: Inexact DEcentralized Accelerated Augmented Lagrangian Method [64.15649345392822]
本稿では,局所関数が滑らかで凸な分散最適化環境下での原始的手法設計のためのフレームワークを提案する。
提案手法は,加速ラグランジアン法により誘導されるサブプロブレム列を概ね解いたものである。
加速度勾配降下と組み合わせることで,収束速度が最適で,最近導出された下界と一致した新しい原始アルゴリズムが得られる。
論文 参考訳（メタデータ） (2020-06-11T18:49:06Z) - 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。