論文の概要: Improved discrete particle swarm optimization using Bee Algorithm and multi-parent crossover method (Case study: Allocation problem and benchmark functions)

• arxiv url: http://arxiv.org/abs/2403.10684v1
• Date: Fri, 15 Mar 2024 21:08:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 22:24:30.275190
• Title: Improved discrete particle swarm optimization using Bee Algorithm and multi-parent crossover method (Case study: Allocation problem and benchmark functions)
• Title（参考訳）: Beeアルゴリズムとマルチペアクロスオーバー法による離散粒子群最適化の改良(ケーススタディ:アロケーション問題とベンチマーク関数)
• Authors: Hamed Zibaei, Mohammad Saadi Mesgari,
• Abstract要約: 本稿では,OMPCDPSO(OMPCDPSO)を提案する。 我々は,ハチアルゴリズムの見物ミツバチを用いた,独立して集中した近傍探索を行った。 この研究で開発されたアルゴリズム(OMCDPSO)は、47(76.60%)のうち36の試験関数で、他のアルゴリズムよりも優れている。
• 参考スコア（独自算出の注目度）: 0.3683202928838613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compared to other techniques, particle swarm optimization is more frequently utilized because of its ease of use and low variability. However, it is complicated to find the best possible solution in the search space in large-scale optimization problems. Moreover, changing algorithm variables does not influence algorithm convergence much. The PSO algorithm can be combined with other algorithms. It can use their advantages and operators to solve this problem. Therefore, this paper proposes the onlooker multi-parent crossover discrete particle swarm optimization (OMPCDPSO). To improve the efficiency of the DPSO algorithm, we utilized multi-parent crossover on the best solutions. We performed an independent and intensive neighborhood search using the onlooker bees of the bee algorithm. The algorithm uses onlooker bees and crossover. They do local search (exploitation) and global search (exploration). Each of these searches is among the best solutions (employed bees). The proposed algorithm was tested on the allocation problem, which is an NP-hard optimization problem. Also, we used two types of simulated data. They were used to test the scalability and complexity of the better algorithm. Also, fourteen 2D test functions and thirteen 30D test functions were used. They also used twenty IEEE CEC2005 benchmark functions to test the efficiency of OMPCDPSO. Also, to test OMPCDPSO's performance, we compared it to four new binary optimization algorithms and three classic ones. The results show that the OMPCDPSO version had high capability. It performed better than other algorithms. The developed algorithm in this research (OMCDPSO) in 36 test functions out of 47 (76.60%) is better than other algorithms. The Onlooker bees and multi-parent operators significantly impact the algorithm's performance.
• Abstract（参考訳）: 他の手法と比較して、パーティクルスワムの最適化は使いやすさとばらつきの低いため、より頻繁に利用される。 しかし,大規模な最適化問題において,探索空間における最良の解を見つけることは困難である。 さらに、アルゴリズム変数の変更はアルゴリズム収束に大きな影響を与えない。 PSOアルゴリズムは他のアルゴリズムと組み合わせることができる。 この問題を解決するために、それらの利点と演算子を利用することができる。 そこで本稿では,OMPCDPSO (OMPCDPSO) を用いたクロスオーバー離散粒子群最適化手法を提案する。 DPSOアルゴリズムの効率を向上させるために,最適解に対する多目的クロスオーバーを利用した。 我々は,ハチアルゴリズムの見物ミツバチを用いた,独立して集中した近傍探索を行った。 このアルゴリズムは、見物ミツバチと交叉を使う。 ローカルサーチ(探索)とグローバルサーチ(探索)を行う。 それぞれの検索は、ベストソリューション(求職蜂)の1つだ。 NP-hard最適化問題であるアロケーション問題に対して,提案アルゴリズムを検証した。 また,2種類のシミュレーションデータを用いた。 それらは、より良いアルゴリズムのスケーラビリティと複雑さをテストするために使われました。 また、14個の2D試験関数と13個の30D試験関数が使用された。 彼らはまた、OMPCDPSOの効率をテストするために、IEEE CEC2005ベンチマーク関数を20個使用した。 また、OMPCDPSOの性能をテストするために、4つの新しいバイナリ最適化アルゴリズムと3つの古典最適化アルゴリズムを比較した。 その結果,OMPCDPSOは高機能であった。 他のアルゴリズムよりも優れていた。 この研究で開発されたアルゴリズム(OMCDPSO)は、47(76.60%)のうち36の試験関数で、他のアルゴリズムよりも優れている。 Onlooker 蜂とマルチパーセンシャル演算子はアルゴリズムの性能に大きな影響を及ぼす。

関連論文リスト

• BMR and BWR: Two simple metaphor-free optimization algorithms for solving real-life non-convex constrained and unconstrained problems [0.5755004576310334]
  本稿では,Best-MeanRandom (BMR) とBest-Worst-Random (BWR) の2つの単純な最適化アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2024-07-15T18:11:47Z)
• 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)
• Self-adjusting optimization algorithm for solving the setunion knapsack problem [0.3128201162068913]
  set-union knapsack problem (SUKP) は制約付き合成最適化問題である。 アイテムと要素の観点からSUKPを近似する2つの自己調整最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-23T14:15:49Z)
• 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)
• Bayesian Algorithm Execution: Estimating Computable Properties of Black-box Functions Using Mutual Information [78.78486761923855]
  多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。 本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。 これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
  論文  参考訳（メタデータ） (2021-04-19T17:22:11Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• New Oracle-Efficient Algorithms for Private Synthetic Data Release [52.33506193761153]
  微分プライベートな合成データを構築するための3つの新しいアルゴリズムを提案する。 アルゴリズムは最悪の場合でも差分プライバシーを満たす。 現状の手法である高次元行列機構 citeMcKennaMHM18 と比較すると,我々のアルゴリズムは大規模作業負荷の精度が向上する。
  論文  参考訳（メタデータ） (2020-07-10T15:46:05Z)
• A Diverse Clustering Particle Swarm Optimizer for Dynamic Environment: To Locate and Track Multiple Optima [0.0]
  我々は,複数の最適点の追跡と探索により,動的環境を効果的に処理する新しい効率的なアルゴリズムを提案する。 このアルゴリズムでは,探索空間の未発見領域を探索し,アルゴリズムの多様性を高める新しい手法が提案されている。 このアルゴリズムは、重なり合った粒子や重なり合った粒子を効果的に扱う方法も用いている。
  論文  参考訳（メタデータ） (2020-05-19T16:12:40Z)
• Private Stochastic Convex Optimization: Optimal Rates in Linear Time [74.47681868973598]
  本研究では,凸損失関数の分布から得られた個体群損失を最小化する問題について検討する。 Bassilyらによる最近の研究は、$n$のサンプルを与えられた過剰な人口損失の最適境界を確立している。 本稿では,余剰損失に対する最適境界を達成するとともに,$O(minn, n2/d)$グラデーション計算を用いて凸最適化アルゴリズムを導出する2つの新しい手法について述べる。
  論文  参考訳（メタデータ） (2020-05-10T19:52:03Z)
• Time Efficiency in Optimization with a Bayesian-Evolutionary Algorithm [13.66850118870667]
  すべての生成とテストの検索アルゴリズムが等しく作られているわけではないことを示す。 本稿では,ベイズ最適化と進化的アルゴリズムを組み合わせた新しいアルゴリズムBEAを提案する。 その結果、BEA は BO と EA の両方を時間効率で上回り、最終的には多くの局所最適値を持つよく知られたベンチマーク対象関数の性能が向上することがわかった。
  論文  参考訳（メタデータ） (2020-05-04T15:29:22Z)

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。