論文の概要: A new approach for solving global optimization and engineering problems based on modified Sea Horse Optimizer

• arxiv url: http://arxiv.org/abs/2402.14044v1
• Date: Wed, 21 Feb 2024 11:28:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-23 17:35:50.562644
• Title: A new approach for solving global optimization and engineering problems based on modified Sea Horse Optimizer
• Title（参考訳）: 改良型海馬最適化器による大域的最適化と工学的問題の解法
• Authors: Fatma A. Hashim, Reham R. Mostafa, Ruba Abu Khurma, Raneem Qaddoura and P.A. Castillo
• Abstract要約: シーホース(シーホース、英: Sea Horse)は、海馬が示す様々な知的行動をエミュレートするメタヒューリスティックなアルゴリズムである。 海馬の微妙な移動を模倣するため、SHOは対数的ヘリカル方程式とレヴィ飛行を統合する。 本研究は,mSHOと呼ばれるSHOアルゴリズムの頑健かつ高性能な変種を紹介する。
• 参考スコア（独自算出の注目度）: 1.84493167882938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sea Horse Optimizer (SHO) is a noteworthy metaheuristic algorithm that emulates various intelligent behaviors exhibited by sea horses, encompassing feeding patterns, male reproductive strategies, and intricate movement patterns. To mimic the nuanced locomotion of sea horses, SHO integrates the logarithmic helical equation and Levy flight, effectively incorporating both random movements with substantial step sizes and refined local exploitation. Additionally, the utilization of Brownian motion facilitates a more comprehensive exploration of the search space. This study introduces a robust and high-performance variant of the SHO algorithm named mSHO. The enhancement primarily focuses on bolstering SHO's exploitation capabilities by replacing its original method with an innovative local search strategy encompassing three distinct steps: a neighborhood-based local search, a global non-neighbor-based search, and a method involving circumnavigation of the existing search region. These techniques improve mSHO algorithm's search capabilities, allowing it to navigate the search space and converge toward optimal solutions efficiently. The comprehensive results distinctly establish the supremacy and efficiency of the mSHO method as an exemplary tool for tackling an array of optimization quandaries. The results show that the proposed mSHO algorithm has a total rank of 1 for CEC'2020 test functions. In contrast, the mSHO achieved the best value for the engineering problems, recording a value of 0.012665, 2993.634, 0.01266, 1.724967, 263.8915, 0.032255, 58507.14, 1.339956, and 0.23524 for the pressure vessel design, speed reducer design, tension/compression spring, welded beam design, three-bar truss engineering design, industrial refrigeration system, multi-Product batch plant, cantilever beam problem, multiple disc clutch brake problems, respectively.
• Abstract（参考訳）: シーホースオプティマイザ(英: sea horse optimizer、sho)は、海馬が示す様々な知的行動、摂食パターン、生殖戦略、複雑な運動パターンを模倣する、注目すべきメタヒューリスティックなアルゴリズムである。 海馬のニュアンス移動を模倣するために、shoは対数ヘリカル方程式とレヴィ飛行を統合し、実質的なステップサイズのランダムな動きと洗練された局所的搾取の両方を効果的に取り入れている。 さらに、ブラウン運動の利用は探索空間をより包括的に探索するのに役立つ。 本研究は,mSHOと呼ばれるSHOアルゴリズムの頑健かつ高性能な変種を紹介する。 この強化は主に、SHOの活用能力を高めることに焦点を当てており、元の手法を、近隣地域探索、グローバル非近隣地域探索、既存の地域周航を含む3つの異なるステップを含む革新的な地域探索戦略に置き換えることである。 これらの技術はmSHOアルゴリズムの探索能力を向上し、探索空間をナビゲートし、最適な解へ効率的に収束させることができる。 総合的な結果から,mSHO法の優位性と効率性を,最適化クオーダの配列に対処するための模範ツールとして明確に確立した。 その結果,提案したmSHOアルゴリズムはCEC'2020テスト関数の合計ランクが1であることがわかった。 対照的にmSHOは、圧力容器設計のための0.0012665, 2993.634, 0.01266, 1.724967, 263.8915, 0.032255, 58507.14, 1.339956, 0.23524, 速度低下器設計, 張力/圧縮ばね, 溶接ビーム設計, 3バートラス工学設計, 産業用冷蔵システム, マルチプロダクテッドプラント, カンチレバービーム問題, ディスククラッチブレーキ問題などを記録した。

関連論文リスト

• Scattered Forest Search: Smarter Code Space Exploration with LLMs [55.71665969800222]
  Scattered Forest Searchを導入し,ソリューションを探索しながら解の多様性を高める。 HumanEval、MBPP、APPS、CodeContests、Leetcodeの実験では、大幅なパフォーマンス向上が示されている。
  論文  参考訳（メタデータ） (2024-10-22T01:58:29Z)
• 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)
• Structures vibration control via tuned mass dampers using a co-evolution coral reefs optimization algorithm [0.0]
  本研究では, 地震動を受ける構造物の最適設計と位置決定問題に対処する。 具体的には,Coral Reefs Optimization (CRO) with Substrate Layer (CRO-SL) を競合する共進化アルゴリズムとして提案する。 提案手法は, 異なるタイプの探索機構の組み合わせを利用して, TMD設計と位置問題を解くことができる。
  論文  参考訳（メタデータ） (2024-02-10T16:09:56Z)
• Hybrid Search method for Zermelo's navigation problem [0.24999074238880487]
  本稿では,Hybrid Searchアルゴリズムという新しいアルゴリズムを提案する。 ツェルメロの航法初期価値問題とフェラロ・マルティン・デ・ディエゴ・アルマグロを統合している。 合成ベクトル場と実海流データに対するハイブリッド探索アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2023-08-04T16:11:59Z)
• Hybrid ACO-CI Algorithm for Beam Design problems [0.4397520291340694]
  The novel hybrid version of the Ant colony optimization (ACO) method was developed using the sample space reduction technique of the Cohort Intelligence (CI) algorithm。 提案した研究は、工学領域や医療問題を含む現実世界の応用について検討することができる。
  論文  参考訳（メタデータ） (2023-03-29T04:37:14Z)
• Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
  興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。 基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。 我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
  論文  参考訳（メタデータ） (2022-09-27T17:51:31Z)
• Learning Space Partitions for Path Planning [54.475949279050596]
  PlaLaMは2次元ナビゲーションタスクにおける既存の経路計画手法よりも優れており、特に難解な局所最適化の存在下では優れている。 これらは高マルチモーダルな実世界のタスクに移行し、コンパイラフェーズでは最大245%、分子設計では最大0.4の強いベースラインを0-1スケールで上回ります。
  論文  参考訳（メタデータ） (2021-06-19T18:06:11Z)
• AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
  現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。 探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。 学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
  論文  参考訳（メタデータ） (2021-03-22T13:28:56Z)
• A novel machine learning-based optimization algorithm (ActivO) for accelerating simulation-driven engine design [0.0]
  提案手法は,弱い学習者と強い学習者の予測をアクティブな学習ループ内で活用するサロゲートに基づくスキームである。 ActivOは、グローバル最適に到達するために必要な機能評価の数を減らし、設計までの時間を80%削減します。
  論文  参考訳（メタデータ） (2020-12-08T13:39:51Z)
• Evolving Search Space for Neural Architecture Search [70.71153433676024]
  最適化された検索空間サブセットを維持することにより,前回の取り組みから得られた結果を増幅するニューラルサーチ空間進化(NSE)方式を提案する。 我々は333万のFLOPでImageNet上で77.3%のトップ1リトレーニング精度を実現し、最先端の性能を得た。 遅延制約が適用された場合、我々の結果は、77.9%のTop-1再トレーニング精度を持つ、以前の最高のパフォーマンスのモバイルモデルよりも優れた性能が得られる。
  論文  参考訳（メタデータ） (2020-11-22T01:11:19Z)
• Reinforcement Learning with Fast Stabilization in Linear Dynamical Systems [91.43582419264763]
  未知の安定化線形力学系におけるモデルベース強化学習(RL)について検討する。 本研究では,環境を効果的に探索することで,基盤システムの高速安定化を証明できるアルゴリズムを提案する。 提案アルゴリズムはエージェント環境相互作用の時間ステップで$tildemathcalO(sqrtT)$ regretを達成した。
  論文  参考訳（メタデータ） (2020-07-23T23:06:40Z)

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。