論文の概要: A new simplified MOPSO based on Swarm Elitism and Swarm Memory: MO-ETPSO
- arxiv url: http://arxiv.org/abs/2402.12856v1
- Date: Tue, 20 Feb 2024 09:36:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 16:10:24.320019
- Title: A new simplified MOPSO based on Swarm Elitism and Swarm Memory: MO-ETPSO
- Title（参考訳）: swarm elitismとswarm memoryに基づく新しい単純化mopso:mo-etpso
- Authors: Ricardo Fitas
- Abstract要約: Elitist PSO (MO-ETPSO) は多目的最適化問題に適用される。
提案アルゴリズムは、確立されたNSGA-IIアプローチからコア戦略を統合する。
このアルゴリズムの新たな側面は、SwarmメモリとSwarmエリート主義の導入である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents an algorithm based on Particle Swarm Optimization (PSO),
adapted for multi-objective optimization problems: the Elitist PSO (MO-ETPSO).
The proposed algorithm integrates core strategies from the well-established
NSGA-II approach, such as the Crowding Distance Algorithm, while leveraging the
advantages of Swarm Intelligence in terms of individual and social cognition. A
novel aspect of the algorithm is the introduction of a swarm memory and swarm
elitism, which may turn the adoption of NSGA-II strategies in PSO. These
features enhance the algorithm's ability to retain and utilize high-quality
solutions throughout optimization. Furthermore, all operators within the
algorithm are intentionally designed for simplicity, ensuring ease of
replication and implementation in various settings. Preliminary comparisons
with the NSGA-II algorithm for the Green Vehicle Routing Problem, both in terms
of solutions found and convergence, have yielded promising results in favor of
MO-ETPSO.
- Abstract（参考訳）: 本稿では,多目的最適化問題であるElitist PSO (MO-ETPSO) に適応したParticle Swarm Optimization (PSO) に基づくアルゴリズムを提案する。
提案アルゴリズムは,Swarm Intelligenceのメリットを個人と社会的認知の観点から活用しつつ,クラウド・ディスタンス・アルゴリズムのような,確立されたNSGA-IIアプローチのコア戦略を統合する。
このアルゴリズムの新たな側面は、SwarmメモリとSwarm Elitismの導入であり、PSOにおけるNSGA-II戦略の採用を転換する可能性がある。
これらの機能は最適化を通じて高品質なソリューションを保ち活用するアルゴリズムの能力を高める。
さらに、アルゴリズム内のすべての演算子は、単純さ、レプリケーションの容易さ、そして様々な設定の実装のために意図的に設計されている。
グリーンビークルルーティング問題に対するNSGA-IIアルゴリズムの予備的比較は、解の発見と収束の両面から、MO-ETPSOを支持する有望な結果を得た。
関連論文リスト
- PAO: A general particle swarm algorithm with exact dynamics and
closed-form transition densities [0.0]
粒子群最適化(PSO)アプローチは多くの応用分野において非常に効果的であることが証明されている。
本研究では, PSOアルゴリズムの高一般性, 解釈可能な変種であるパーティクル・アトラクター・アルゴリズム (PAO) を提案する。
論文 参考訳（メタデータ） (2023-04-28T16:19:27Z) - High-Speed Resource Allocation Algorithm Using a Coherent Ising Machine
for NOMA Systems [3.6406488220483326]
NOMA手法の有効性を十分に活用する上で重要な課題は、リソース割り当ての最適化である。
NOMAシステムにおけるチャネル割り当てのためのコヒーレントIsing Machine(CIM)に基づく最適化手法を提案する。
提案手法は, 高速化と最適解の両面において優れていることを示す。
論文 参考訳（メタデータ） (2022-12-03T09:22:54Z) - Optimistic Optimisation of Composite Objective with Exponentiated Update [2.1700203922407493]
このアルゴリズムは指数勾配と$p$-normアルゴリズムの組み合わせと解釈できる。
彼らはシーケンス依存の後悔の上界を達成し、スパース目標決定変数の最もよく知られた境界と一致する。
論文 参考訳（メタデータ） (2022-08-08T11:29:55Z) - ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。
既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。
本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
論文 参考訳（メタデータ） (2021-10-13T19:36:50Z) - Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex
Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。
我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。
我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
論文 参考訳（メタデータ） (2021-06-08T15:54:44Z) - Motion-Encoded Particle Swarm Optimization for Moving Target Search
Using UAVs [4.061135251278187]
本稿では,無人航空機(UAV)を用いた移動目標探索のための動き符号化粒子群最適化(MPSO)という新しいアルゴリズムを提案する。
提案するMPSOは,PSOアルゴリズムで粒子生成に進化する一連のUAV運動経路として探索軌道を符号化することにより,その問題を解決するために開発された。
既存手法による広範囲なシミュレーションの結果,提案手法は検出性能を24%,時間性能を4.71倍改善した。
論文 参考訳（メタデータ） (2020-10-05T14:17:49Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z) - 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) - 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) - Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding
Design for Multiuser MIMO Systems [59.804810122136345]
本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。
古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。
提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
論文 参考訳（メタデータ） (2020-06-15T02:57:57Z) - 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。