Fugu-MT 論文翻訳(概要): Nature-Inspired Algorithms in Optimization: Introduction, Hybridization and Insights

論文の概要: Nature-Inspired Algorithms in Optimization: Introduction, Hybridization and Insights

arxiv url: http://arxiv.org/abs/2401.00976v1
Date: Wed, 30 Aug 2023 11:33:22 GMT
ステータス: 処理完了
システム内更新日: 2024-01-15 12:19:08.078564
Title: Nature-Inspired Algorithms in Optimization: Introduction, Hybridization and Insights
Title（参考訳）: 自然に触発されたアルゴリズムの最適化:序論、ハイブリダイゼーション、洞察
Authors: Xin-She Yang
Abstract要約: ベンチマークは最適化アルゴリズムの性能を評価する上で重要である。本章では、最適化の概要、自然に触発されたアルゴリズム、ハイブリッド化の役割について論じる。
参考スコア（独自算出の注目度）: 1.6589012298747952
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Many problems in science and engineering are optimization problems, which may require sophisticated optimization techniques to solve. Nature-inspired algorithms are a class of metaheuristic algorithms for optimization, and some algorithms or variants are often developed by hybridization. Benchmarking is also important in evaluating the performance of optimization algorithms. This chapter focuses on the overview of optimization, nature-inspired algorithms and the role of hybridization. We will also highlight some issues with hybridization of algorithms.
Abstract（参考訳）: 科学と工学の多くの問題は最適化の問題であり、解決には高度な最適化技術が必要である。自然に触発されたアルゴリズムは最適化のためのメタヒューリスティックアルゴリズムのクラスであり、いくつかのアルゴリズムや変種はハイブリダイゼーションによってしばしば開発される。ベンチマークは最適化アルゴリズムの性能を評価する上でも重要である。本章では最適化の概観,自然に着想を得たアルゴリズム,ハイブリダイゼーションの役割に焦点を当てる。アルゴリズムのハイブリダイゼーションに関するいくつかの問題も強調する。

関連論文リスト

Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
論文参考訳（メタデータ） (2024-11-07T17:05:31Z)
A Generalized Evolutionary Metaheuristic (GEM) Algorithm for Engineering Optimization [1.6589012298747952]
近年の大きなトレンドは、自然に着想を得たメタヒュースティックアルゴリズム(NIMA)の利用である。文献には540以上のアルゴリズムがあり、異なるアルゴリズムの探索機構を理解するための統一的なフレームワークはない。 20以上の異なるアルゴリズムを統一する一般化された進化的メタヒューリスティックアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-07-02T09:55:15Z)
Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文参考訳（メタデータ） (2023-07-17T20:11:56Z)
An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文参考訳（メタデータ） (2022-10-27T01:58:10Z)
Socio-cognitive Optimization of Time-delay Control Problems using Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文参考訳（メタデータ） (2022-10-23T22:21:10Z)
Introductory Studies of Swarm Intelligence Techniques [1.2930503923129208]
群れ知能は、個体の集団的研究と、群れの知的行動につながる相互相互作用を含む。この章では、様々な人口ベースのSIアルゴリズム、基本構造、数学的モデルについて紹介している。
論文参考訳（メタデータ） (2022-09-26T16:29:55Z)
Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
論文参考訳（メタデータ） (2022-05-03T07:54:56Z)
Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。両レベル最適化のための2つの新しいアルゴリズムを提案する。両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文参考訳（メタデータ） (2021-06-08T21:05:30Z)
Particle Swarm Optimization: Fundamental Study and its Application to Optimization and to Jetty Scheduling Problems [0.0]
従来の手法に関する進化的アルゴリズムの利点は、文献で大いに議論されている。粒子群はそのような利点を共有しているが、計算コストの低減と実装の容易さが要求されるため、進化的アルゴリズムよりも優れている。本論文は, それらのチューニングについて検討するものではなく, 従来の研究から汎用的な設定を抽出し, 様々な問題を最適化するために, 事実上同じアルゴリズムを用いている。
論文参考訳（メタデータ） (2021-01-25T02:06:30Z)
Optimizing Optimizers: Regret-optimal gradient descent algorithms [9.89901717499058]
我々は,後悔最適アルゴリズムの存在,一意性,一貫性について検討する。制御問題に対する一階最適条件を提供することにより、後悔最適アルゴリズムはそれらの力学において特定の構造を満たす必要があることを示す。それらを近似する高速な数値法を提案し,長期的後悔を直接最適化する最適化アルゴリズムを生成する。
論文参考訳（メタデータ） (2020-12-31T19:13:53Z)
Benchmarking Meta-heuristic Optimization [0.0]
多くのメタヒューリスティックアルゴリズムは非線形関数を解く際に非常に効率的である。メタヒューリスティックアルゴリズムは、幅広い問題に適用できる問題に依存しない手法である。
論文参考訳（メタデータ） (2020-07-27T12:25:31Z)

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。