論文の概要: Comparative Analysis of Four Prominent Ant Colony Optimization Variants: Ant System, Rank-Based Ant System, Max-Min Ant System, and Ant Colony System
- arxiv url: http://arxiv.org/abs/2405.15397v1
- Date: Fri, 24 May 2024 09:51:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 15:01:48.414534
- Title: Comparative Analysis of Four Prominent Ant Colony Optimization Variants: Ant System, Rank-Based Ant System, Max-Min Ant System, and Ant Colony System
- Title（参考訳）: Ant-based Ant System, Max-Min Ant System, Ant Colony System の4つの代表的な Ant Colony Optimization Variants の比較検討
- Authors: Ahmed Mohamed Abdelmoaty, Ibrahim Ihab Ibrahim,
- Abstract要約: 本研究は,Ant Colony Optimization (ACO)の4変種であるAnt System (AS), Rank-Based Ant System (ASRank), Max-Min Ant System (MMAS), Ant Colony System (ACS)の比較分析を行った。
その結果,アルゴリズムの性能は問題スケールやインスタンスタイプに大きく影響していることがわかった。
- 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 research conducts a comparative analysis of four Ant Colony Optimization (ACO) variants -- Ant System (AS), Rank-Based Ant System (ASRank), Max-Min Ant System (MMAS), and Ant Colony System (ACS) -- for solving the Traveling Salesman Problem (TSP). Our findings demonstrate that algorithm performance is significantly influenced by problem scale and instance type. ACS excels in smaller TSP instances due to its rapid convergence, while PACS proves more adaptable for medium-sized problems. MMAS consistently achieves competitive results across all scales, particularly for larger instances, due to its ability to avoid local optima. ASRank, however, struggles to match the performance of the other algorithms. This research provides insights into the strengths and weaknesses of these ACO variants, guiding the selection of the most suitable algorithm for specific TSP applications.
- Abstract（参考訳）: 本研究は,旅行セールスマン問題(TSP)を解決するために,Ant Colony Optimization (ACO)の4つの変種であるAnt System (AS), Rank-Based Ant System (ASRank), Max-Min Ant System (MMAS), Ant Colony System (ACS)を比較した。
その結果,アルゴリズムの性能は問題スケールやインスタンスタイプに大きく影響していることがわかった。
ACSは高速収束のためより小さなTSPインスタンスに優れており、PACSは中規模の問題に対してより適応可能であることを証明している。
MMASは、特に大規模なインスタンスにおいて、局所的な最適化を避ける能力のために、すべてのスケールで一貫して競争結果を達成する。
しかし、ASRankは、他のアルゴリズムのパフォーマンスに合わせるのに苦労している。
この研究は、これらのACO変異体の長所と短所に関する洞察を与え、特定のTSPアプリケーションに最も適したアルゴリズムの選択を導く。
関連論文リスト
- LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。
このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
論文 参考訳（メタデータ） (2024-10-03T18:12:29Z) - Ant Colony Sampling with GFlowNets for Combinatorial Optimization [68.84985459701007]
Generative Flow Ant Colony Sampler (GFACS)は、階層的に償却推論と並列探索を組み合わせた新しいメタヒューリスティック手法である。
提案手法はまず,生成フローネットワーク(GFlowNets)を利用して,ソリューション空間上の複数モーダル事前分布を記憶する。
論文 参考訳（メタデータ） (2024-03-11T16:26:06Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - Herder Ants: Ant Colony Optimization with Aphids for Discrete
Event-Triggered Dynamic Optimization Problems [0.0]
現在利用可能なAnt Colony Optimization (ACO)アルゴリズムの動的最適化戦略は、各動的変化が発生した後、遅いアルゴリズム収束またはソリューション品質に対する重大なペナルティのトレードオフを提供する。
本稿では,アリとアフィドの共生関係をモデルとしたAphidsを用いたAnt Colony Optimization (ACO) という離散的動的最適化手法を提案する。
論文 参考訳（メタデータ） (2023-04-15T22:21:41Z) - First Competitive Ant Colony Scheme for the CARP [0.0]
Ant Colonyスキームは、VRPの中規模インスタンスのソリューションを計算できる。
Ant Colonyスキームは、局所的な探索手順と結合し、高品質なソリューションを提供する。
論文 参考訳（メタデータ） (2022-11-19T10:31:27Z) - Online Control of Adaptive Large Neighborhood Search using Deep Reinforcement Learning [4.374837991804085]
DR-ALNSと呼ばれる深層強化学習に基づくアプローチを導入し、演算子を選択し、パラメータを調整し、検索全体を通して受け入れ基準を制御する。
提案手法は,IJCAIコンペティションで提示されたオリエンテーリングウェイトと時間窓の問題に対して評価する。
その結果,本手法はバニラALNSよりも優れており,ALNSはベイジアン最適化と2つの最先端DRLアプローチに適合していることがわかった。
論文 参考訳（メタデータ） (2022-11-01T21:33:46Z) - DRL Enabled Coverage and Capacity Optimization in STAR-RIS Assisted
Networks [55.0821435415241]
無線通信における新たなパラダイムとして,STAR-RISのカバレッジとキャパシティ性能の分析が不可欠だが難しい。
STAR-RIS支援ネットワークにおけるカバレッジとキャパシティ最適化の問題を解決するために,多目的ポリシー最適化(MO-PPO)アルゴリズムを提案する。
MO-PPOアルゴリズムの性能向上のために、アクション値ベースの更新戦略(AVUS)と損失関数ベースの更新戦略(LFUS)の2つの更新戦略を検討した。
論文 参考訳（メタデータ） (2022-09-01T14:54:36Z) - Improving Ant Colony Optimization Efficiency for Solving Large TSP
Instances [0.0]
我々は新しいAnt Colony Optimization(ACO)、すなわちFocused ACO(FACO)を提案する。
FACOは、新しく構築されたソリューションと選択された前のソリューションの差の数を制御するメカニズムである。
このメカニズムにより、より焦点を絞った検索プロセスが実現し、既存のソリューションの品質を維持しながら改善点を見つけることができる。
論文 参考訳（メタデータ） (2022-03-04T10:26:02Z) - Preference Incorporation into Many-Objective Optimization: An
Outranking-based Ant Colony Algorithm [0.08795040582681389]
我々は,多目的Ant Colony Optimization (ACO) を開発した。
導入されたInterval Out rankベースのACO(IO-ACO)は、DMの嗜好の曖昧さと不定義に対処するために、最上位のモデルを組み込んだ最初の ant-colonyである。
論文 参考訳（メタデータ） (2021-07-15T05:01:21Z) - AP-Loss for Accurate One-Stage Object Detection [49.13608882885456]
一段階の物体検出器は、分類損失と局所化損失を同時に最適化することによって訓練される。
前者は、多数のアンカーのため、非常に前景と後方のアンカーの不均衡に悩まされる。
本稿では,一段検知器の分類タスクをランキングタスクに置き換える新しい枠組みを提案する。
論文 参考訳（メタデータ） (2020-08-17T13:22:01Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z)
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。