論文の概要: A Landscape-Aware Differential Evolution for Multimodal Optimization Problems

• arxiv url: http://arxiv.org/abs/2408.02340v2
• Date: Tue, 25 Feb 2025 13:32:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:19:37.945152
• Title: A Landscape-Aware Differential Evolution for Multimodal Optimization Problems
• Title（参考訳）: マルチモーダル最適化問題に対するランドスケープ対応差分進化
• Authors: Guo-Yun Lin, Zong-Gan Chen, Chuanbin Liu, Yuncheng Jiang, Sam Kwong, Jun Zhang, Zhi-Hui Zhan,
• Abstract要約: マルチモーダル最適化問題(MMOP)を解く上では,複数のグローバルピークを同時に検出し,検出したピーク上で一定の精度を達成する方法が重要な2つの課題である。 本稿では,ランドスケープ・アウェア・ディファレンシャル・進化(LADE)アルゴリズムを提案する。 LADEは、最近提案された7つの高性能アルゴリズムと、マルチモーダル最適化のためのIEEE CECコンペティションにおける4つの勝者アルゴリズムと比較して、一般的に良い、あるいは競争的な性能が得られることを示した。
• 参考スコア（独自算出の注目度）: 54.50341106632738
• License:
• Abstract: How to simultaneously locate multiple global peaks and achieve certain accuracy on the found peaks are two key challenges in solving multimodal optimization problems (MMOPs). In this paper, a landscape-aware differential evolution (LADE) algorithm is proposed for MMOPs, which utilizes landscape knowledge to maintain sufficient diversity and provide efficient search guidance. In detail, the landscape knowledge is efficiently utilized in the following three aspects. First, a landscape-aware peak exploration helps each individual evolve adaptively to locate a peak and simulates the regions of the found peaks according to search history to avoid an individual locating a found peak. Second, a landscape-aware peak distinction distinguishes whether an individual locates a new global peak, a new local peak, or a found peak. Accuracy refinement can thus only be conducted on the global peaks to enhance the search efficiency. Third, a landscape-aware reinitialization specifies the initial position of an individual adaptively according to the distribution of the found peaks, which helps explore more peaks. The experiments are conducted on 20 widely-used benchmark MMOPs. Experimental results show that LADE obtains generally better or competitive performance compared with seven well-performed algorithms proposed recently and four winner algorithms in the IEEE CEC competitions for multimodal optimization.
• Abstract（参考訳）: マルチモーダル最適化問題(MMOP)を解く上では,複数のグローバルピークを同時に検出し,検出したピーク上で一定の精度を達成する方法が重要な2つの課題である。 本稿では,ランドスケープ・アウェア・ディファレンシャル・進化(LADE)アルゴリズムを提案する。 より詳しくは、景観知識は以下の3つの側面で効果的に活用される。 まず、ランドスケープを意識したピーク探索により、各個体が適応的にピークを見つけるのに役立ち、探索履歴に従ってピークの領域をシミュレートし、ピークの位置を特定できないようにする。 第2に、ランドスケープを意識したピーク区別は、個人が新しいグローバルピーク、新しいローカルピーク、または見つかったピークを特定できるかどうかを区別する。 したがって、精度の向上は、探索効率を高めるために、グローバルピークでのみ行うことができる。 第三に、ランドスケープを意識した再初期化は、発見されたピークの分布に応じて個人の初期位置を適応的に特定し、より多くのピークを探索するのに役立つ。 実験は、広く使用されている20のベンチマークMMOPで実施される。 LADEは、最近提案された7つの高性能アルゴリズムと、マルチモーダル最適化のためのIEEE CECコンペティションにおける4つの勝者アルゴリズムと比較して、一般的に良い、あるいは競争的な性能が得られることを示した。

関連論文リスト

• Multiple Global Peaks Big Bang-Big Crunch Algorithm for Multimodal Optimization [1.006303657343407]
  本稿では,Multiple Global Peaks Big Bang-Big Crunch (MGP-BBBC)アルゴリズムを提案する。 MGP-BBBCは、人口の最高の個人をクラスターベースの質量中心に分類し、収束を保証するために徐々に低い乱れで拡張する。 20個のマルチモーダルベンチマークテスト関数の実験結果から, MGP-BBBCは, 他の最先端のマルチモーダルに対して, 一般的に, より良く, 競争的に機能することが示された。
  論文  参考訳（メタデータ） (2024-10-08T13:49:35Z)
• Finding Waldo: Towards Efficient Exploration of NeRF Scene Spaces [4.944459754818577]
  我々は,NeRFモデル入力の効率的な発見として,シーン探索フレームワークを提案し,正式に定義する。 シーン探索に対処するアプローチの欠如を解決するため,まず誘導ランダム探索 (GRS) と詩補間探索 (PIBS) という2つのベースライン手法を提案する。 そこで我々は,シーン探索を最適化問題としてキャストし,探索のための基準に依存しない進化誘導ポッドサーチ(EGPS)を提案する。
  論文  参考訳（メタデータ） (2024-03-07T14:08:01Z)
• Localized Zeroth-Order Prompt Optimization [54.964765668688806]
  そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。 ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。 注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
  論文  参考訳（メタデータ） (2024-03-05T14:18:15Z)
• AANet: Aggregation and Alignment Network with Semi-hard Positive Sample Mining for Hierarchical Place Recognition [48.043749855085025]
  視覚的位置認識(VPR)はロボット工学におけるホットスポットの一つで、視覚情報を用いてロボットの位置を特定する。 本稿では,アグリゲーションモジュールを介して候補を検索するためのグローバルな特徴を抽出できる統一ネットワークを提案する。 また、より堅牢なVPRネットワークをトレーニングするために、適切なハード正のイメージを選択するためのセミハード正のサンプルマイニング(ShPSM)戦略を提案する。
  論文  参考訳（メタデータ） (2023-10-08T14:46:11Z)
• Global-Local Context Network for Person Search [125.51080862575326]
  パーソンサーチは、自然に切り刻まれた画像からクエリーを共同でローカライズし、識別することを目的としている。 我々は,対象人物を取り巻く環境情報を多様かつ局所的に利用し,それぞれがシーンとグループコンテキストを参照する。 本稿では,機能強化を目的としたグローバル・ローカル・コンテキスト・ネットワーク(GLCNet)を提案する。
  論文  参考訳（メタデータ） (2021-12-05T07:38:53Z)
• The Surprising Effectiveness of MAPPO in Cooperative, Multi-Agent Games [67.47961797770249]
  マルチエージェントPPO(MAPPO)は、集中型値関数を採用するマルチエージェントPPOバリアントである。 MAPPOは,3つの一般的なマルチエージェントテストベッドにおいて,最先端技術に匹敵する性能を実現していることを示す。
  論文  参考訳（メタデータ） (2021-03-02T18:59:56Z)
• Sparse Reward Exploration via Novelty Search and Emitters [55.41644538483948]
  本稿では,SparsE Reward Exploration via Novelty and Emitters (SERENE)アルゴリズムを提案する。 SERENEは、探索空間の探索と報酬の搾取を2つの交互プロセスに分けている。 メタスケジューラは、2つのプロセス間の交互にグローバルな計算予算を割り当てる。
  論文  参考訳（メタデータ） (2021-02-05T12:34:54Z)
• Quality-Diversity Optimization: a novel branch of stochastic optimization [5.677685109155078]
  マルチモーダル最適化アルゴリズムは、複数のことができる検索空間で最も高いピークを検索します。 品質多様性アルゴリズムは、進化的計算ツールボックスに最近追加されたもので、単一の局所光学系を探索するだけでなく、検索空間を照らそうとする。
  論文  参考訳（メタデータ） (2020-12-08T09:52:50Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)
• One PLOT to Show Them All: Visualization of Efficient Sets in Multi-Objective Landscapes [0.0]
  連続多目的最適化問題 (MOP) の可視化技術は研究に乏しい。 本稿では,局所的および大域的最適性を表現するために,両手法の利点を組み合わせた新しいハイブリッド可視化手法を提案する。 このPLOT(Plot of Landscapes with Optimal Trade-offs)は,多目的景観可視化技術として最も有用なものの一つである。
  論文  参考訳（メタデータ） (2020-06-20T11:03:11Z)
• BOP-Elites, a Bayesian Optimisation algorithm for Quality-Diversity search [0.0]
  本稿では,エリートアルゴリズム(BOP-Elites)のベイズ最適化を提案する。 機能領域のユーザ定義領域を‘ニッチ’として考えることで、ニッチ毎に最適なソリューションを見つけることが私たちのタスクになります。 得られたアルゴリズムは、特徴空間におけるニッチに属する探索空間の部分を特定し、ニッチごとに最適な解を見つけるのに非常に効果的である。
  論文  参考訳（メタデータ） (2020-05-08T23:49:13Z)

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。