論文の概要: A Generalized Evolutionary Metaheuristic (GEM) Algorithm for Engineering Optimization

• arxiv url: http://arxiv.org/abs/2407.02113v1
• Date: Tue, 2 Jul 2024 09:55:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-03 15:55:01.121469
• Title: A Generalized Evolutionary Metaheuristic (GEM) Algorithm for Engineering Optimization
• Title（参考訳）: 工学最適化のための一般化進化メタヒューリスティック(GEM)アルゴリズム
• Authors: Xin-She Yang,
• Abstract要約: 近年の大きなトレンドは、自然に着想を得たメタヒュースティックアルゴリズム(NIMA)の利用である。 文献には540以上のアルゴリズムがあり、異なるアルゴリズムの探索機構を理解するための統一的なフレームワークはない。 20以上の異なるアルゴリズムを統一する一般化された進化的メタヒューリスティックアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.6589012298747952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many optimization problems in engineering and industrial design applications can be formulated as optimization problems with highly nonlinear objectives, subject to multiple complex constraints. Solving such optimization problems requires sophisticated algorithms and optimization techniques. A major trend in recent years is the use of nature-inspired metaheustic algorithms (NIMA). Despite the popularity of nature-inspired metaheuristic algorithms, there are still some challenging issues and open problems to be resolved. Two main issues related to current NIMAs are: there are over 540 algorithms in the literature, and there is no unified framework to understand the search mechanisms of different algorithms. Therefore, this paper attempts to analyse some similarities and differences among different algorithms and then presents a generalized evolutionary metaheuristic (GEM) in an attempt to unify some of the existing algorithms. After a brief discussion of some insights into nature-inspired algorithms and some open problems, we propose a generalized evolutionary metaheuristic algorithm to unify more than 20 different algorithms so as to understand their main steps and search mechanisms. We then test the unified GEM using 15 test benchmarks to validate its performance. Finally, further research topics are briefly discussed.
• Abstract（参考訳）: 工学および工業設計における多くの最適化問題は、複数の複雑な制約の下で、非常に非線形な目的を持つ最適化問題として定式化することができる。 このような最適化問題の解決には高度なアルゴリズムと最適化技術が必要である。 近年の大きなトレンドは、自然に着想を得たメタヒュースティックアルゴリズム(NIMA)の利用である。 自然に着想を得たメタヒューリスティックアルゴリズムの人気にもかかわらず、解決すべき課題やオープンな問題がまだいくつか残っている。 現在のNIMAには2つの大きな問題がある: 文献には540以上のアルゴリズムがあり、異なるアルゴリズムの探索機構を理解するための統一されたフレームワークはない。 そこで本研究では,異なるアルゴリズム間の類似点や相違点を分析し,既存のアルゴリズムを統一するために一般化された進化的メタヒューリスティック(GEM)を提案する。 自然にインスパイアされたアルゴリズムとオープンな問題に関するいくつかの知見に関する簡単な議論の後、我々は20以上の異なるアルゴリズムを統一し、それらの主要なステップと探索メカニズムを理解するための一般化された進化的メタヒューリスティックアルゴリズムを提案する。 次に、15のテストベンチマークを用いて統一GEMをテストし、その性能を検証する。 最後に,今後の研究課題について概説する。

関連論文リスト

• Nature-Inspired Algorithms in Optimization: Introduction, Hybridization and Insights [1.6589012298747952]
  ベンチマークは最適化アルゴリズムの性能を評価する上で重要である。 本章では、最適化の概要、自然に触発されたアルゴリズム、ハイブリッド化の役割について論じる。
  論文  参考訳（メタデータ） (2023-08-30T11:33:22Z)
• Algorithm Selection on a Meta Level [58.720142291102135]
  本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。 本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-20T11:23:21Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• 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)
• Nature-Inspired Optimization Algorithms: Research Direction and Survey [0.0]
  自然に着想を得たアルゴリズムは、様々な最適化問題を解くのによく用いられる。 我々は自然に触発されたアルゴリズムを自然進化ベース、群知性ベース、生物ベース、科学ベースなどと分類する。 本研究の目的は, インスピレーション源, 基本演算子, 制御パラメータ, 特徴, 変種, 適用範囲に基づいて, 様々な自然に着想を得たアルゴリズムを網羅的に解析することである。
  論文  参考訳（メタデータ） (2021-02-08T06:03:36Z)
• 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)
• Towards Meta-Algorithm Selection [78.13985819417974]
  インスタンス固有のアルゴリズム選択(AS)は、固定された候補集合からのアルゴリズムの自動選択を扱う。 メタアルゴリズムの選択は、いくつかのケースで有益であることを示す。
  論文  参考訳（メタデータ） (2020-11-17T17:27:33Z)
• Benchmarking Meta-heuristic Optimization [0.0]
  多くのメタヒューリスティックアルゴリズムは非線形関数を解く際に非常に効率的である。 メタヒューリスティックアルゴリズムは、幅広い問題に適用できる問題に依存しない手法である。
  論文  参考訳（メタデータ） (2020-07-27T12:25:31Z)
• Nature-Inspired Optimization Algorithms: Challenges and Open Problems [3.7692411550925673]
  科学と工学の問題は、複雑な非線形制約の下で最適化問題として定式化することができる。 非常に非線形な問題の解は通常、洗練された最適化アルゴリズムを必要とし、伝統的なアルゴリズムはそのような問題に対処するのに苦労する。 現在のトレンドは、柔軟性と有効性から自然にインスパイアされたアルゴリズムを使用することです。
  論文  参考訳（メタデータ） (2020-03-08T13:00:04Z)
• A survey on dragonfly algorithm and its applications in engineering [29.190512851078218]
  トンボのアルゴリズムは2016年に開発され、研究者が様々な分野の幅広い用途と応用を最適化するために用いたアルゴリズムの1つである。 この研究は、実世界の最適化問題を解決するための手法の頑健さと、複雑な最適化問題を改善するためのその欠如に対処した。
  論文  参考訳（メタデータ） (2020-02-19T20:23:26Z)
• 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。