論文の概要: Introducing Competitive Mechanism to Differential Evolution for Numerical Optimization
- arxiv url: http://arxiv.org/abs/2406.05436v1
- Date: Sat, 8 Jun 2024 10:48:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-11 19:45:22.140807
- Title: Introducing Competitive Mechanism to Differential Evolution for Numerical Optimization
- Title（参考訳）: 数値最適化のための微分進化のための競合メカニズムの導入
- Authors: Rui Zhong, Yang Cao, Enzhi Zhang, Masaharu Munetomo,
- Abstract要約: 本稿では、微分進化(DE)に新たな競争メカニズムを導入する。
DE/winner-to-best/1という突然変異戦略が特徴である。
DE/Winner-to-best/1の導入と競争メカニズムはD技術の進歩に新たな道筋を提供する。
- 参考スコア（独自算出の注目度）: 6.464980828114218
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces a novel competitive mechanism into differential evolution (DE), presenting an effective DE variant named competitive DE (CDE). CDE features a simple yet efficient mutation strategy: DE/winner-to-best/1. Essentially, the proposed DE/winner-to-best/1 strategy can be recognized as an intelligent integration of the existing mutation strategies of DE/rand-to-best/1 and DE/cur-to-best/1. The incorporation of DE/winner-to-best/1 and the competitive mechanism provide new avenues for advancing DE techniques. Moreover, in CDE, the scaling factor $F$ and mutation rate $Cr$ are determined by a random number generator following a normal distribution, as suggested by previous research. To investigate the performance of the proposed CDE, comprehensive numerical experiments are conducted on CEC2017 and engineering simulation optimization tasks, with CMA-ES, JADE, and other state-of-the-art optimizers and DE variants employed as competitor algorithms. The experimental results and statistical analyses highlight the promising potential of CDE as an alternative optimizer for addressing diverse optimization challenges.
- Abstract（参考訳）: 本稿では,新しい競合機構を微分進化(DE)に導入し,競合DE(CDE)と呼ばれる有効なDE変種を提示する。
CDEは単純だが効率的な突然変異戦略である: DE/winner-to-best/1。
基本的に、提案されたDE/winner-to-best/1戦略は、既存の DE/rand-to-best/1 と DE/cur-to-best/1 の突然変異戦略のインテリジェントな統合として認識することができる。
DE/Winner-to-best/1の導入と競争メカニズムはD技術の進歩に新たな道筋を提供する。
さらに、CDEでは、従来の研究で示唆されたように、スケーリング係数$F$と突然変異率$Cr$は、正規分布に続く乱数生成器によって決定される。
提案したCDEの性能を調べるため,CEC2017および工学シミュレーション最適化タスクにおいて,CMA-ES,JADE,その他の最先端オプティマイザおよび競合アルゴリズムとして使用されるDDEの変種を用いた総合的な数値実験を行った。
実験結果と統計的分析は、多様な最適化課題に対処するための代替オプティマイザとして、CDEの有望な可能性を強調している。
関連論文リスト
- End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - Multiple Independent DE Optimizations to Tackle Uncertainty and
Variability in Demand in Inventory Management [0.0]
本研究の目的は、不確実な需要パターンの文脈において、在庫コストを最小限に抑えるための最も効果的な戦略を明らかにすることである。
最適な解を見つけるために、この研究はメタヒューリスティックなアプローチに焦点を当て、複数のアルゴリズムを比較する。
論文 参考訳（メタデータ） (2023-09-22T13:15:02Z) - Accelerating the Evolutionary Algorithms by Gaussian Process Regression
with $\epsilon$-greedy acquisition function [2.7716102039510564]
本稿では,最適化の収束を早めるために,エリート個人を推定する新しい手法を提案する。
我々の提案には、エリート個人を推定し、最適化の収束を加速する幅広い見通しがある。
論文 参考訳（メタデータ） (2022-10-13T07:56:47Z) - A unified algorithm framework for mean-variance optimization in
discounted Markov decision processes [7.510742715895749]
本稿では,無限水平割引マルコフ決定過程(MDP)におけるリスク-逆平均分散最適化について検討する。
本稿では,処理不能なMPPを標準形式で再定義された報酬関数を持つ標準形式に変換するための擬似平均を導入する。
平均分散最適化のための2レベル最適化構造を持つ統合アルゴリズムフレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-15T02:19:56Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。
我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。
また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
論文 参考訳（メタデータ） (2021-07-02T16:21:52Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳（メタデータ） (2021-03-18T14:26:26Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z) - CDE-GAN: Cooperative Dual Evolution Based Generative Adversarial Network [32.91091802159556]
GAN(Generative Adversarial Network)は、現実世界のアプリケーションにおいて一般的な深層生成モデルである。
本稿では,これらの欠点を回避するために,協調的デュアル進化に基づくジェネレーティブ・アドバイザリアル・ネットワーク(CDE-GAN)を提案する。
本質的に、CDE-GANは、ジェネレータと識別器に関する二重進化を、統一された対向フレームワークに組み入れている。
論文 参考訳（メタデータ） (2020-08-21T09:39:53Z) - An Improved LSHADE-RSP Algorithm with the Cauchy Perturbation:
iLSHADE-RSP [9.777183117452235]
この手法は、コーシー分布の長い尾を持つ性質を採用することにより、探索を向上させることができる。
従来の手法と比較して,提案手法はジャンプ率に基づいて,突然変異ベクトルの代わりにターゲットベクトルを摂動する。
改良されたLSHADE-RSPの最適化性能を評価するために、30の異なる難解な最適化問題を用いている。
論文 参考訳（メタデータ） (2020-06-04T00:03:34Z) - Distributionally Robust Bayesian Optimization [121.71766171427433]
そこで本研究では,ゼロ次雑音最適化のための分散ロバストなベイズ最適化アルゴリズム(DRBO)を提案する。
提案アルゴリズムは, 種々の設定において, 線形に頑健な後悔を確実に得る。
提案手法は, 実世界のベンチマークと実世界のベンチマークの両方において, 頑健な性能を示す。
論文 参考訳（メタデータ） (2020-02-20T22:04:30Z)
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。