論文の概要: Balancing exploration and exploitation phases in whale optimization algorithm: an insightful and empirical analysis

• arxiv url: http://arxiv.org/abs/2310.12155v1
• Date: Sun, 3 Sep 2023 19:15:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 02:10:27.982341
• Title: Balancing exploration and exploitation phases in whale optimization algorithm: an insightful and empirical analysis
• Title（参考訳）: クジラ最適化アルゴリズムにおける探索と搾取相のバランス:洞察力と経験的分析
• Authors: Aram M. Ahmed, Tarik A. Rashid, Bryar A. Hassan, Jaffer Majidpour, Kaniaw A. Noori, Chnoor Maheadeen Rahman, Mohmad Hussein Abdalla, Shko M. Qader, Noor Tayfor, Naufel B Mohammed
• Abstract要約: 文献における頑健でよく認識されているメタヒューリスティックアルゴリズムとしての鯨最適化アルゴリズムは、このバランスを達成するための新しいスキームを提案している。 本章では,WOAアルゴリズムの局所的およびグローバルな探索能力を実証的に分析する。
• 参考スコア（独自算出の注目度）: 4.0814527055582746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agents of any metaheuristic algorithms are moving in two modes, namely exploration and exploitation. Obtaining robust results in any algorithm is strongly dependent on how to balance between these two modes. Whale optimization algorithm as a robust and well recognized metaheuristic algorithm in the literature, has proposed a novel scheme to achieve this balance. It has also shown superior results on a wide range of applications. Moreover, in the previous chapter, an equitable and fair performance evaluation of the algorithm was provided. However, to this point, only comparison of the final results is considered, which does not explain how these results are obtained. Therefore, this chapter attempts to empirically analyze the WOA algorithm in terms of the local and global search capabilities i.e. the ratio of exploration and exploitation phases. To achieve this objective, the dimension-wise diversity measurement is employed, which, at various stages of the optimization process, statistically evaluates the population's convergence and diversity.
• Abstract（参考訳）: メタヒューリスティックアルゴリズムのエージェントは、探索と搾取という2つのモードで動いている。 任意のアルゴリズムで堅牢な結果を得ることは、これらの2つのモードのバランスをとる方法に強く依存する。 文献におけるロバストでよく知られたメタヒューリスティックなアルゴリズムとしての鯨最適化アルゴリズムは、このバランスを達成するための新しいスキームを提案している。 また、幅広い応用において優れた結果も示している。 さらに,前章では,アルゴリズムの公平かつ公平な性能評価を行った。 しかし、この点において最終結果の比較のみを考慮すると、これらの結果がどのように得られたかは説明できない。 そこで本章では,WOAアルゴリズムの局所的およびグローバルな探索能力,すなわち探索と利用の比率を実証的に分析する。 この目的を達成するために、最適化プロセスの様々な段階において、人口の収束度と多様性を統計的に評価する次元ワイド多様性測定を用いる。

関連論文リスト

• Absolute Ranking: An Essential Normalization for Benchmarking Optimization Algorithms [0.0]
  多くの問題における最適化アルゴリズムの性能評価は,数値スケールの多様性が原因で複雑な問題となる。 本稿では,この問題を広範囲に検討し,根本原因の根本原因を徹底的に解析する上で説得力のある事例を提示する。 本研究では,「絶対ランク付け」と呼ばれる新しい数学的モデルとサンプリングに基づく計算手法を提案する。
  論文  参考訳（メタデータ） (2024-09-06T00:55:03Z)
• Evaluating Ensemble Methods for News Recommender Systems [50.90330146667386]
  本稿では,Microsoft News データセット (MIND) において,様々な最先端アルゴリズムを組み合わさって優れた結果を得るために,アンサンブル手法をどのように利用できるかを示す。 その結果,NRSアルゴリズムの組み合わせは,基礎学習者が十分に多様であることから,個々のアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-06-23T13:40:50Z)
• Model Uncertainty in Evolutionary Optimization and Bayesian Optimization: A Comparative Analysis [5.6787965501364335]
  ブラックボックス最適化問題は、多くの現実世界のアプリケーションで一般的な問題である。 これらの問題はインプット・アウトプット・インタラクションを通じて内部動作へのアクセスなしに最適化する必要がある。 このような問題に対処するために2つの広く使われている勾配のない最適化手法が用いられている。 本稿では,2つの手法間のモデル不確実性の類似点と相違点を明らかにすることを目的とする。
  論文  参考訳（メタデータ） (2024-03-21T13:59:19Z)
• Representation Learning with Multi-Step Inverse Kinematics: An Efficient and Optimal Approach to Rich-Observation RL [106.82295532402335]
  既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。 所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。 我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
  論文  参考訳（メタデータ） (2023-04-12T14:51:47Z)
• 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)
• Empirical Evaluation of Project Scheduling Algorithms for Maximization of the Net Present Value [0.0]
  本稿では,3つのプロジェクトスケジューリングアルゴリズムの実証的性能解析について述べる。 選択されたアルゴリズムは、Recursive Search (RS)、Steepest Ascent Approach (SAA)、Hybrid Search (HS)である。
  論文  参考訳（メタデータ） (2022-07-05T03:01:33Z)
• On the Convergence of Distributed Stochastic Bilevel Optimization Algorithms over a Network [55.56019538079826]
  バイレベル最適化は、幅広い機械学習モデルに適用されている。 既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。 そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-06-30T05:29:52Z)
• Balancing Exploration and Exploitation for Solving Large-scale Multiobjective Optimization via Attention Mechanism [18.852491892952514]
  注意機構に基づく大規模多目的最適化アルゴリズム(LMOAM)を提案する。 注意機構は、各決定変数に固有の重みを割り当て、LMOAMは、この重みを使って、決定変数レベルからの探索とエクスプロイトのバランスを取る。
  論文  参考訳（メタデータ） (2022-05-20T09:45:49Z)
• Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
  決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。 厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。 このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
  論文  参考訳（メタデータ） (2021-11-29T15:10:09Z)
• Active Model Estimation in Markov Decision Processes [108.46146218973189]
  マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。 マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
  論文  参考訳（メタデータ） (2020-03-06T16:17:24Z)

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。