論文の概要: Modified-Improved Fitness Dependent Optimizer for Complex and Engineering Problems
- arxiv url: http://arxiv.org/abs/2407.14271v1
- Date: Thu, 27 Jun 2024 07:47:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-28 18:39:09.783381
- Title: Modified-Improved Fitness Dependent Optimizer for Complex and Engineering Problems
- Title(参考訳): 複雑・工学的問題に対する改良改良型適合度依存性最適化器
- Authors: Hozan K. Hamarashid, Bryar A. Hassan, Tarik A. Rashid,
- Abstract要約: FDO(Fitness dependent)は、新しいスウォーム知能アルゴリズムの1つである。
本研究は、M-IFDOと呼ばれるIFDOの修正版を提案する。
M-IFDOは5つの最先端アルゴリズムと比較される。
- 参考スコア(独自算出の注目度): 5.078139820108554
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fitness dependent optimizer (FDO) is considered one of the novel swarm intelligent algorithms. Recently, FDO has been enhanced several times to improve its capability. One of the improvements is called improved FDO (IFDO). However, according to the research findings, the variants of FDO are constrained by two primary limitations that have been identified. Firstly, if the number of agents employed falls below five, it significantly diminishes the algorithm's precision. Secondly, the efficacy of FDO is intricately tied to the quantity of search agents utilized. To overcome these limitations, this study proposes a modified version of IFDO, called M-IFDO. The enhancement is conducted by updating the location of the scout bee to the IFDO to move the scout bees to achieve better performance and optimal solutions. More specifically, two parameters in IFDO, which are alignment and cohesion, are removed. Instead, the Lambda parameter is replaced in the place of alignment and cohesion. To verify the performance of the newly introduced algorithm, M-IFDO is tested on 19 basic benchmark functions, 10 IEEE Congress of Evolutionary Computation (CEC-C06 2019), and five real-world problems. M-IFDO is compared against five state-of-the-art algorithms: Improved Fitness Dependent Optimizer (IFDO), Improving Multi-Objective Differential Evolution algorithm (IMODE), Hybrid Sampling Evolution Strategy (HSES), Linear Success-History based Parameter Adaptation for Differential Evolution (LSHADE) and CMA-ES Integrated with an Occasional Restart Strategy and Increasing Population Size and An Iterative Local Search (NBIPOP-aCMAES). The verification criteria are based on how well the algorithm reaches convergence, memory usage, and statistical results. The results show that M-IFDO surpasses its competitors in several cases on the benchmark functions and five real-world problems.
- Abstract(参考訳): FDO(Fitness dependent Optimizationr)は、新しいスウォーム知能アルゴリズムの1つである。
近年、FDOはその能力を改善するために何度か拡張されている。
改善の1つは改善FDO(英語版)(IFDO)と呼ばれる。
しかし、研究結果によると、FDOの変種は2つの主要な制限によって制限されている。
第一に、もし採用されるエージェントの数が5以下であれば、アルゴリズムの精度は著しく低下する。
第2に、FDOの有効性は、使用した検索エージェントの量と複雑に結びついている。
これらの制限を克服するため,本研究では,M-IFDOと呼ばれるIFDOの修正版を提案する。
この強化は、スカウトミツバチの位置をIFDOに更新し、スカウトミツバチを移動させ、より良い性能と最適解を得る。
より具体的には、IFDOの2つのパラメータはアライメントと凝集である。
代わりに、Lambdaパラメータはアライメントと凝集の代わりに置き換えられる。
新たに導入されたアルゴリズムの性能を検証するため、M-IFDOは19の基本的なベンチマーク関数、10のIEEE Congress of Evolutionary Computation (CEC-C06 2019)、および5つの実世界の問題でテストされている。
M-IFDOは、5つの最先端アルゴリズムと比較される: 改善された適合性依存最適化(IFDO)、改善された多目的微分進化アルゴリズム(IMODE)、ハイブリッドサンプリング進化戦略(HSES)、線形継承履歴に基づく微分進化のためのパラメータ適応(LSHADE)およびCMA-ES。
検証基準は、アルゴリズムが収束性、メモリ使用量、統計的結果にどの程度達するかに基づいている。
その結果,M-IFDOは,ベンチマーク関数と実世界の5つの問題において,いくつかのケースでライバルを上回っていることがわかった。
関連論文リスト
- A Fresh Look at Generalized Category Discovery through Non-negative Matrix Factorization [83.12938977698988]
Generalized Category Discovery (GCD) は、ラベル付きベースデータを用いて、ベース画像と新規画像の両方を分類することを目的としている。
現在のアプローチでは、コサイン類似性に基づく共起行列 $barA$ の固有の最適化に不適切に対処している。
本稿では,これらの欠陥に対処するNon-Negative Generalized Category Discovery (NN-GCD) フレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-29T07:24:11Z) - Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。
WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
論文 参考訳(メタデータ) (2024-10-28T04:47:39Z) - 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) - Multi objective Fitness Dependent Optimizer Algorithm [19.535715565093764]
本稿では、最近導入されたフィットネス依存型(FDO)の多目的変種を提案する。
このアルゴリズムはMOFDO(Multi objective Fitness Dependent)と呼ばれ、FDOのように5種類の知識(situational, normative, topographical, domain, historical knowledge)を備えている。
提案アルゴリズムは,多種多様な分散可能な実現可能解を提供することで,意思決定者がより適用可能な快適な選択をすることができる。
論文 参考訳(メタデータ) (2023-01-26T06:33:53Z) - Fitness Dependent Optimizer for IoT Healthcare using Adapted Parameters:
A Case Study Implementation [0.629786844297945]
本章では、Fitness Dependentwarm(いわゆるFDO)のケーススタディについて論じ、そのパラメータをIoT(Internet of Things)ヘルスケアに適用する。
他のアルゴリズムは、FDOを元の作業でGA(Genematic Algorithm)とPSO(Particle Swarm Optimization)として評価し、比較する。
この章の目標は、FDOに基づいたIoTヘルスケアフレームワークを適用して、効果的なIoTヘルスケアアプリケーションを生成することだ。
論文 参考訳(メタデータ) (2022-05-18T16:18:57Z) - Effective Mutation Rate Adaptation through Group Elite Selection [50.88204196504888]
本稿では,GESMR(Group Elite Selection of Mutation Rates)アルゴリズムを提案する。
GESMRは解の集団とMRの集団を共進化させ、各MRは解群に割り当てられる。
同じ数の関数評価とオーバーヘッドのほとんどないGESMRは、以前のアプローチよりも早く、より良いソリューションに収束する。
論文 参考訳(メタデータ) (2022-04-11T01:08:26Z) - A Simple Evolutionary Algorithm for Multi-modal Multi-objective
Optimization [0.0]
マルチモーダル・多目的最適化問題(MMOP)を解くための定常進化アルゴリズムを提案する。
本報告では,1000関数評価の低計算予算を用いて,様々なテストスイートから得られた21個のMMOPの性能について報告する。
論文 参考訳(メタデータ) (2022-01-18T03:31:11Z) - 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) - Chaotic Fitness Dependent Optimizer for Planning and Engineering Design [1.1802674324027231]
FDO(Fitness Dependent)は、ハチの群れの繁殖行動を模倣したメタヒューリスティックなアルゴリズムである。
本稿では、FDOの性能向上を目的としており、このカオス理論をFDOの内部で使用して、CFDO(Chaotic FDO)を提案する。
CFDOでは10のカオスマップを使用して、どの地図がうまく機能しているかを考察し、局所最適とグローバル最適の発見を避ける。
論文 参考訳(メタデータ) (2021-08-21T12:14:02Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳(メタデータ) (2020-10-01T18:14:11Z) - Improved Fitness-Dependent Optimizer Algorithm [0.9990687944474739]
フィットネス依存アルゴリズム(FDO)は、2019年に導入された。
本研究では改良されたFDOアルゴリズムを提案する。
IFDOの実践性を証明するために、実世界の応用で使用される。
論文 参考訳(メタデータ) (2020-01-16T21:50:11Z)
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。