論文の概要: Multiplayer Battle Game-Inspired Optimizer for Complex Optimization Problems

• arxiv url: http://arxiv.org/abs/2401.00401v1
• Date: Sun, 31 Dec 2023 05:28:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 17:44:10.806820
• Title: Multiplayer Battle Game-Inspired Optimizer for Complex Optimization Problems
• Title（参考訳）: 複雑な最適化問題に対するマルチプレイヤーバトルゲームインスパイアオプティマイザ
• Authors: Yuefeng Xu, Rui Zhong, Chao Zhang, and Jun Yu
• Abstract要約: マルチプレイヤーバトルゲームインスパイア(MBGO)という新しいアルゴリズムを提案する。 提案されたMBGOは、メインストリームのマルチプレイヤーバトルロイヤルゲームを、ムーブメントとバトルの2つの別々のフェーズに合理化している。 統計分析の結果,新しいMBGOは大きな競争力を示すことが明らかとなった。
• 参考スコア（独自算出の注目度）: 14.109964882720249
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Various popular multiplayer battle royale games share a lot of common elements. Drawing from our observations, we summarized these shared characteristics and subsequently proposed a novel heuristic algorithm named multiplayer battle game-inspired optimizer (MBGO). The proposed MBGO streamlines mainstream multiplayer battle royale games into two discrete phases: movement and battle. Specifically, the movement phase incorporates the principles of commonly encountered ``safe zones'' to incentivize participants to relocate to areas with a higher survival potential. The battle phase simulates a range of strategies adopted by players in various situations to enhance the diversity of the population. To evaluate and analyze the performance of the proposed MBGO, we executed it alongside eight other algorithms, including three classics and five latest ones, across multiple diverse dimensions within the CEC2017 and CEC2020 benchmark functions. In addition, we employed several industrial design problems to evaluate the scalability and practicality of the proposed MBGO. The results of the statistical analysis reveal that the novel MBGO demonstrates significant competitiveness, excelling not only in convergence speed, but also in achieving high levels of convergence accuracy across both benchmark functions and real-world problems.
• Abstract（参考訳）: 様々な人気のマルチプレイヤーバトルロイヤルゲームは、多くの共通要素を共有している。 そこで我々は,これらの共有特性を要約し,マルチプレイヤーバトルゲームインスパイアされたオプティマイザ(MBGO)という新しいヒューリスティックアルゴリズムを提案する。 mbgoは、メインストリームのマルチプレイヤーバトルロイヤルゲームをムーブメントとバトルの2つの別々のフェーズに合理化する。 具体的には、運動段階は、一般的に遭遇する「安全なゾーン」の原則を取り入れ、参加者に生存可能性の高い地域への移動を促す。 戦闘段階は様々な状況でプレイヤーが採用する様々な戦略をシミュレートし、人口の多様性を高める。 提案するMBGOの性能評価と解析のために,CEC2017 と CEC2020 ベンチマーク関数内の様々な次元にわたる3つの古典と5つの最新のアルゴリズムを含む,他の8つのアルゴリズムとともに実行した。 さらに,提案するMBGOのスケーラビリティと実用性を評価するために,いくつかの産業設計問題を採用した。 統計解析の結果、新しいMBGOは収束速度だけでなく、ベンチマーク関数と実世界の問題の間で高い収束精度を達成する上でも優れた競争力を示すことが明らかとなった。

関連論文リスト

• Securing Equal Share: A Principled Approach for Learning Multiplayer Symmetric Games [21.168085154982712]
  マルチプレイヤーゲームにおける平衡は、一意でも爆発的でもない。 本稿では,平等な共有という自然な目的に焦点をあてることで,これらの課題に対処するための最初の一歩を踏み出す。 我々は、様々な設定でほぼ同じシェアを確実に得る、非回帰学習にインスパイアされた、一連の効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-06-06T15:59:17Z)
• Multi-Player Approaches for Dueling Bandits [58.442742345319225]
  Follow Your Leaderのブラックボックスアプローチの直接的な使用は、この設定の低いバウンダリと一致することを示す。 また,Condorcet-Winnerレコメンデーションプロトコルを用いて,メッセージパッシングによる完全分散アプローチも分析する。
  論文  参考訳（メタデータ） (2024-05-25T10:25:48Z)
• Efficient Multiplayer Battle Game Optimizer for Adversarial Robust Neural Architecture Search [14.109964882720249]
  本稿では,効率的なマルチプレイヤーバトルゲーム(EMBGO)として知られるメタヒューリスティックアルゴリズムを提案する。 この研究の背後にある動機は、元のMBGOの欠点を正す必要があることにある。 EMBGOは、移動と戦闘フェーズを統合することでこれらの制限を緩和し、元の最適化フレームワークを簡素化し、探索効率を向上させる。
  論文  参考訳（メタデータ） (2024-03-15T08:45:32Z)
• Cooperation or Competition: Avoiding Player Domination for Multi-Target Robustness via Adaptive Budgets [76.20705291443208]
  我々は、敵攻撃を、異なるプレイヤーがパラメータ更新の合同方向で合意に達するために交渉する交渉ゲームであると見なしている。 我々は、プレイヤーの優位性を避けるために、異なる敵の予算を調整する新しいフレームワークを設計する。 標準ベンチマークの実験では、提案したフレームワークを既存のアプローチに適用することで、マルチターゲットロバスト性が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2023-06-27T14:02:10Z)
• LBCIM: Loyalty Based Competitive Influence Maximization with epsilon-greedy MCTS strategy [0.10587757779310168]
  この研究は、ソーシャルネットワークにおける忠誠を表すいくつかの新機能を備えた、2つの競合相手のための新しいゲームボードを提示する。 この行動は、各党が相手よりも良い提案をすることで人々を惹きつけようとし、野党のファンに心を変えるよう印象づけようとする、ほとんどの政治的状況で観察できる。
  論文  参考訳（メタデータ） (2023-03-03T11:11:53Z)
• Finding mixed-strategy equilibria of continuous-action games without gradients using randomized policy networks [83.28949556413717]
  グラデーションへのアクセスを伴わない連続アクションゲームのナッシュ平衡を近似的に計算する問題について検討する。 ニューラルネットワークを用いてプレイヤーの戦略をモデル化する。 本論文は、制約のない混合戦略と勾配情報のない一般的な連続アクションゲームを解決する最初の方法である。
  論文  参考訳（メタデータ） (2022-11-29T05:16:41Z)
• Off-Beat Multi-Agent Reinforcement Learning [62.833358249873704]
  オフビート動作が一般的環境におけるモデルフリーマルチエージェント強化学習(MARL)について検討した。 モデルレスMARLアルゴリズムのための新しいエピソードメモリLeGEMを提案する。 我々は,Stag-Hunter Game,Quarry Game,Afforestation Game,StarCraft IIマイクロマネジメントタスクなど,オフビートアクションを伴うさまざまなマルチエージェントシナリオ上でLeGEMを評価する。
  論文  参考訳（メタデータ） (2022-05-27T02:21:04Z)
• Battle royale optimizer with a new movement strategy [0.0]
  本稿では,探索と利用のバランスを改善するため,改良型BRO(M-BRO)を提案する。 この修正アルゴリズムの複雑さは、元のアルゴリズムと同じである。 その結果, 運動演算子を付加したBROは, 複雑な数値最適化問題を解くのに有効であることがわかった。
  論文  参考訳（メタデータ） (2022-01-19T16:36:13Z)
• Pick Your Battles: Interaction Graphs as Population-Level Objectives for Strategic Diversity [49.68758494467258]
  我々は、集団内の個人がどのように相互作用するかを慎重に構造化することで、多様なエージェントの集団を構築する方法について研究する。 我々のアプローチは,エージェント間の情報の流れを制御するインタラクショングラフに基づいている。 マルチエージェント・トレーニングにおける多様性の重要性を証明し,様々な相互作用グラフを適用したゲームにおけるトレーニング・トラジェクトリ,多様性,パフォーマンスに与える影響を解析する。
  論文  参考訳（メタデータ） (2021-10-08T11:29:52Z)
• Generating Diverse and Competitive Play-Styles for Strategy Games [58.896302717975445]
  ターン型戦略ゲーム(Tribes)のためのプログレッシブアンプランによるPortfolio Monte Carlo Tree Searchを提案する。 品質分散アルゴリズム(MAP-Elites)を使用して異なるプレイスタイルを実現し、競争レベルを維持しながらパラメータ化する方法を示します。 その結果,このアルゴリズムは,トレーニングに用いるレベルを超えて,幅広いゲームレベルにおいても,これらの目標を達成できることが示された。
  論文  参考訳（メタデータ） (2021-04-17T20:33:24Z)

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。