論文の概要: An Improved Artificial Fish Swarm Algorithm for Solving the Problem of
Investigation Path Planning
- arxiv url: http://arxiv.org/abs/2310.13375v1
- Date: Fri, 20 Oct 2023 09:35:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 23:33:13.901539
- Title: An Improved Artificial Fish Swarm Algorithm for Solving the Problem of
Investigation Path Planning
- Title（参考訳）: 探索経路計画問題の解決のための改良された人工魚群アルゴリズム
- Authors: Qian Huang, Weiwen Qian, Chang Li, Xuan Ding
- Abstract要約: 多集団差分進化(DE-CAFSA)に基づくカオス人工魚群アルゴリズムを提案する。
適応的な視野とステップサイズ調整を導入し、ランダムな動作を2オプト操作に置き換え、カオス理論と準最適解を導入する。
実験結果から、DECAFSAは、異なる大きさの様々な公開データセット上で、他のアルゴリズムよりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 8.725702964289479
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Informationization is a prevailing trend in today's world. The increasing
demand for information in decision-making processes poses significant
challenges for investigation activities, particularly in terms of effectively
allocating limited resources to plan investigation programs. This paper
addresses the investigation path planning problem by formulating it as a
multi-traveling salesman problem (MTSP). Our objective is to minimize costs,
and to achieve this, we propose a chaotic artificial fish swarm algorithm based
on multiple population differential evolution (DE-CAFSA). To overcome the
limitations of the artificial fish swarm algorithm, such as low optimization
accuracy and the inability to consider global and local information, we
incorporate adaptive field of view and step size adjustments, replace random
behavior with the 2-opt operation, and introduce chaos theory and sub-optimal
solutions to enhance optimization accuracy and search performance.
Additionally, we integrate the differential evolution algorithm to create a
hybrid algorithm that leverages the complementary advantages of both
approaches. Experimental results demonstrate that DE-CAFSA outperforms other
algorithms on various public datasets of different sizes, as well as showcasing
excellent performance on the examples proposed in this study.
- Abstract（参考訳）: 今日の世界では情報化が主流だ。
意思決定プロセスにおける情報需要の増加は、特に計画調査プログラムに限られたリソースを効果的に割り当てるという点において、調査活動に重大な課題をもたらす。
本稿では、マルチトラベリングセールスマン問題(MTSP)として定式化することで、調査経路計画問題に対処する。
本研究の目的は,コストの最小化であり,多集団差分進化(DE-CAFSA)に基づくカオスな人工魚群アルゴリズムを提案することである。
最適化精度の低下や大域的および局所的な情報を考慮できないといった人工魚群アルゴリズムの限界を克服するために,適応的視野とステップサイズ調整を取り入れ,ランダム動作を2-opt演算に置き換え,カオス理論とサブ最適解を導入し,最適化精度と探索性能を向上させる。
さらに,両手法の相補的利点を生かしたハイブリッドアルゴリズムを作成するために,微分進化アルゴリズムを統合する。
実験の結果,de-cafsaは,異なる大きさの公開データセット上で他のアルゴリズムよりも優れており,本研究で提案する例で優れた性能を示している。
関連論文リスト
- Frog-Snake prey-predation Relationship Optimization (FSRO) : A novel nature-inspired metaheuristic algorithm for feature selection [0.0]
本研究では,Frog-Snake prey-predation Relationship Optimization (FSRO)アルゴリズムを提案する。
カエルとヘビの捕食関係から着想を得て、離散最適化問題に適用した。
提案アルゴリズムは26種類の機械学習データセットを用いて特徴選択に関する計算実験を行う。
論文 参考訳（メタデータ） (2024-02-13T06:39:15Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。
本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文 参考訳（メタデータ） (2022-12-02T05:07:50Z) - High-dimensional Bayesian Optimization Algorithm with Recurrent Neural
Network for Disease Control Models in Time Series [1.9371782627708491]
本稿では,リカレントニューラルネットワークを組み合わせた高次元ベイズ最適化アルゴリズムを提案する。
提案したRNN-BOアルゴリズムは,低次元空間における最適制御問題を解くことができる。
また、RNN層の異なる数の影響や、ソリューションの品質と関連する計算努力のトレードオフに対する訓練のエポックスについても論じる。
論文 参考訳（メタデータ） (2022-01-01T08:40:17Z) - Solving Large-Scale Multi-Objective Optimization via Probabilistic
Prediction Model [10.916384208006157]
効率的なLSMOPアルゴリズムは、巨大な検索空間から局所最適解を逃れる能力を持つべきである。
人口の多様性を維持することは、探索効率を向上させる効果的な方法の1つである。
LSMOP に取り組むために,トレンド予測モデルと LT-PPM と呼ばれる生成フィルタ戦略に基づく確率的予測モデルを提案する。
論文 参考訳（メタデータ） (2021-07-16T09:43:35Z) - An Overview and Experimental Study of Learning-based Optimization
Algorithms for Vehicle Routing Problem [49.04543375851723]
車両ルーティング問題(VRP)は典型的な離散最適化問題である。
多くの研究は、VRPを解決するための学習に基づく最適化アルゴリズムについて検討している。
本稿では、最近のこの分野の進歩を概観し、関連するアプローチをエンドツーエンドアプローチとステップバイステップアプローチに分割する。
論文 参考訳（メタデータ） (2021-07-15T02:13:03Z) - PAMELI: A Meta-Algorithm for Computationally Expensive Multi-Objective
Optimization Problems [0.0]
提案アルゴリズムは,実モデルのモデルによって定義される一連の代理問題の解法に基づく。
また,最適化ランドスケープのための最適なサロゲートモデルとナビゲーション戦略のメタ検索を行う。
論文 参考訳（メタデータ） (2021-03-19T11:18:03Z) - 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) - Deep Reinforcement Learning for Field Development Optimization [0.0]
本研究の目的は,畳み込みニューラルネットワーク(CNN)深部強化学習(DRL)アルゴリズムをフィールド開発最適化問題に適用することである。
近似ポリシー最適化 (PPO) アルゴリズムは2つのCNNアーキテクチャで様々な層と構成を持つ。
両ネットワークは、ハイブリッド粒子群最適化(PSO-MADS)アルゴリズムと比較して満足な結果をもたらすポリシーを得た。
論文 参考訳（メタデータ） (2020-08-05T06:26:13Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z) - 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。