論文の概要: Gradient Based Hybridization of PSO
- arxiv url: http://arxiv.org/abs/2312.09703v1
- Date: Fri, 15 Dec 2023 11:26:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 16:01:22.200498
- Title: Gradient Based Hybridization of PSO
- Title(参考訳): PSOの勾配に基づくハイブリッド化
- Authors: Arun K Pujari, Sowmini Devi Veeramachaneni
- Abstract要約: Particle Swarm Optimization (PSO) は、過去30年間にわたって、強力なメタヒューリスティックなグローバル最適化アプローチとして現れてきた。
PSOは、単一目的シナリオにおける早期の停滞や、探索と搾取のバランスを取る必要性といった課題に直面している。
多様なパラダイムから確立された最適化手法と協調的な性質を統合することでPSOをハイブリダイズすることは、有望な解決策となる。
- 参考スコア(独自算出の注目度): 1.1059341532498634
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Particle Swarm Optimization (PSO) has emerged as a powerful metaheuristic
global optimization approach over the past three decades. Its appeal lies in
its ability to tackle complex multidimensional problems that defy conventional
algorithms. However, PSO faces challenges, such as premature stagnation in
single-objective scenarios and the need to strike a balance between exploration
and exploitation. Hybridizing PSO by integrating its cooperative nature with
established optimization techniques from diverse paradigms offers a promising
solution. In this paper, we investigate various strategies for synergizing
gradient-based optimizers with PSO. We introduce different hybridization
principles and explore several approaches, including sequential decoupled
hybridization, coupled hybridization, and adaptive hybridization. These
strategies aim to enhance the efficiency and effectiveness of PSO, ultimately
improving its ability to navigate intricate optimization landscapes. By
combining the strengths of gradient-based methods with the inherent social
dynamics of PSO, we seek to address the critical objectives of intelligent
exploration and exploitation in complex optimization tasks. Our study delves
into the comparative merits of these hybridization techniques and offers
insights into their application across different problem domains.
- Abstract(参考訳): Particle Swarm Optimization (PSO) は、過去30年間、強力なメタヒューリスティックなグローバル最適化アプローチとして現れてきた。
その魅力は、従来のアルゴリズムに反する複雑な多次元問題に取り組む能力にある。
しかしながら、PSOは、単一目的シナリオにおける早期の停滞や、探索と搾取のバランスを取る必要性といった課題に直面している。
多様なパラダイムから確立された最適化手法と協調的な性質を統合することでPSOをハイブリダイズすることは、有望な解決策となる。
本稿では,psoを用いた勾配に基づくオプティマイザの合成手法について検討する。
我々は,異なるハイブリダイゼーション原理を導入し,逐次分離ハイブリダイゼーション,結合ハイブリダイゼーション,適応ハイブリダイゼーションなど,いくつかのアプローチを検討する。
これらの戦略はPSOの効率性と有効性を高め、最終的には複雑な最適化風景をナビゲートする能力を向上させることを目的としている。
勾配に基づく手法の強みとPSOの固有の社会的ダイナミクスを組み合わせることで、複雑な最適化タスクにおける知的探索と搾取の重要な目的に取り組む。
本研究は,これらのハイブリダイゼーション手法の利点を比較し,様々な問題領域に適用するための洞察を提供する。
関連論文リスト
- Integrating Chaotic Evolutionary and Local Search Techniques in Decision Space for Enhanced Evolutionary Multi-Objective Optimization [1.8130068086063336]
本稿では,SOMMOP(Single-Objective Multi-Modal Optimization)とMOO(Multi-Objective Optimization)の両方に焦点を当てる。
SOMMOPではニッチ技術とカオス進化を統合し,ガウス突然変異を併用したパーシスタンス・クラスタリングを行った。
MOOでは,これらの手法を不確実性に基づく選択,適応的チューニングを組み込んだ包括的フレームワークに拡張し,決定論的群集に半径(R)の概念を導入する。
論文 参考訳(メタデータ) (2024-11-12T15:18:48Z) - Hybrid Reinforcement Learning Framework for Mixed-Variable Problems [0.7146036252503987]
離散変数選択のためのRLと連続変数調整のためのベイズ最適化を組み合わせたハイブリッド強化学習(RL)フレームワークを提案する。
提案手法は,従来のRL,ランダム探索,スタンドアローンベイズ最適化を有効性と効率で常に上回っている。
論文 参考訳(メタデータ) (2024-05-30T21:42:33Z) - Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳(メタデータ) (2023-10-10T00:21:10Z) - Applying Autonomous Hybrid Agent-based Computing to Difficult
Optimization Problems [56.821213236215634]
本稿では,EMASのハイブリッドバージョンを提案する。
これには、複数のハイブリッド演算子の選択と導入、およびメインアルゴリズムのハイブリッドステップを開始するためのルールの定義が含まれる。
これらのハイブリッドステップは、既存の、よく知られた、そして証明された、効率的なメタヒューリスティックスを活用し、その結果をメインのアルゴリズムに統合する。
論文 参考訳(メタデータ) (2022-10-24T13:28:35Z) - Cooperative guidance of multiple missiles: a hybrid co-evolutionary
approach [0.9176056742068814]
複数のミサイルの協調誘導は、厳密な時間と宇宙の合意の制約を伴う課題である。
本稿では,非定常性と協調指導が直面する継続的制御の問題に対処する,新たな自然共進化戦略(NCES)を開発する。
高度にスケーラブルな共進化的メカニズムと従来の指導戦略を統合することで,ハイブリッド共同進化的協調指導法(HCCGL)を提案する。
論文 参考訳(メタデータ) (2022-08-15T12:59:38Z) - Accelerated Federated Learning with Decoupled Adaptive Optimization [53.230515878096426]
フェデレートドラーニング(FL)フレームワークは、クライアント上のトレーニングデータのプライバシを維持しながら、共有モデルを協調的に学習することを可能にする。
近年,SGDM,Adam,AdaGradなどの集中型適応最適化手法をフェデレートした設定に一般化するためのイテレーションが多数実施されている。
本研究は、常微分方程式(ODE)のダイナミクスの観点から、FLの新しい適応最適化手法を開発することを目的としている。
論文 参考訳(メタデータ) (2022-07-14T22:46:43Z) - 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) - Multi-Objective Constrained Optimization for Energy Applications via
Tree Ensembles [55.23285485923913]
エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。
場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。
本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
論文 参考訳(メタデータ) (2021-11-04T20:18:55Z) - 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) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳(メタデータ) (2020-07-09T10:19:22Z) - Cross Entropy Hyperparameter Optimization for Constrained Problem
Hamiltonians Applied to QAOA [68.11912614360878]
QAOA(Quantum Approximate Optimization Algorithm)のようなハイブリッド量子古典アルゴリズムは、短期量子コンピュータを実用的に活用するための最も奨励的なアプローチの1つである。
このようなアルゴリズムは通常変分形式で実装され、古典的な最適化法と量子機械を組み合わせて最適化問題の優れた解を求める。
本研究では,クロスエントロピー法を用いてランドスケープを形作り,古典的パラメータがより容易により良いパラメータを発見でき,その結果,性能が向上することを示す。
論文 参考訳(メタデータ) (2020-03-11T13:52:41Z)
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。