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
- 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) - Mastering Strategy Card Game (Legends of Code and Magic) via End-to-End
Policy and Optimistic Smooth Fictitious Play [11.480308614644041]
我々は、2段階の戦略カードゲーム「Regends of Code and Magic」を研究する。
マルチステージゲームにおける難題を解決するために,エンド・ツー・エンドのポリシーを提案する。
私たちのアプローチはCOG2022コンペティションの2連覇です。
論文 参考訳(メタデータ) (2023-03-07T17:55:28Z) - 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) - Spatial State-Action Features for General Games [5.849736173068868]
汎用ゲームのための空間状態対応機能の設計と効率的な実装を定式化する。
これらは、局所的な状態の変数にマッチするかどうかに基づいて、アクションをインセンティブまたは非インセンティブ化するようにトレーニングできるパターンである。
任意の機能セットに対して,アクティブな機能を評価するための効率的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-01-17T13:34:04Z) - 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) - Efficient Pure Exploration for Combinatorial Bandits with Semi-Bandit
Feedback [51.21673420940346]
コンビナーシャルバンディットはマルチアームバンディットを一般化し、エージェントが腕のセットを選択し、選択したセットに含まれる各腕の騒々しい報酬を観察します。
我々は, 最善の腕を一定の信頼度で識別する純粋爆発問題と, 応答集合の構造が動作集合の1つと異なるような, より一般的な設定に注目する。
有限多面体に対するプロジェクションフリーオンライン学習アルゴリズムに基づいて、凸的に最適であり、競争力のある経験的性能を持つ最初の計算効率の良いアルゴリズムである。
論文 参考訳(メタデータ) (2021-01-21T10:35:09Z)
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。