論文の概要: ORS: A novel Olive Ridley Survival inspired Meta-heuristic Optimization Algorithm
- arxiv url: http://arxiv.org/abs/2409.09210v2
- Date: Sat, 2 Nov 2024 08:10:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 20:57:42.456974
- Title: ORS: A novel Olive Ridley Survival inspired Meta-heuristic Optimization Algorithm
- Title（参考訳）: ORS: メタヒューリスティック最適化アルゴリズムに触発されたOlive Ridleyサバイバル
- Authors: Niranjan Panigrahi, Sourav Kumar Bhoi, Debasis Mohapatra, Rashmi Ranjan Sahoo, Kshira Sagar Sahoo, Anil Mohapatra,
- Abstract要約: オリーブ・リドリー・サバイバル(Olive Ridley Survival、ORS)は、オリーブ・リドリーウミガメのハッチリングが直面する生存課題から着想を得たものである。
ORSには、環境因子によるハッチリングと、その生存に対する運動軌道の影響の2つの主要な段階がある。
このアルゴリズムを検証するために、標準CECテストスイートから14の数学的ベンチマーク関数を評価し、統計的に検証した。
- 参考スコア（独自算出の注目度）: 2.4343652794054487
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Meta-heuristic algorithmic development has been a thrust area of research since its inception. In this paper, a novel meta-heuristic optimization algorithm, Olive Ridley Survival (ORS), is proposed which is inspired from survival challenges faced by hatchlings of Olive Ridley sea turtle. A major fact about survival of Olive Ridley reveals that out of one thousand Olive Ridley hatchlings which emerge from nest, only one survive at sea due to various environmental and other factors. This fact acts as the backbone for developing the proposed algorithm. The algorithm has two major phases: hatchlings survival through environmental factors and impact of movement trajectory on its survival. The phases are mathematically modelled and implemented along with suitable input representation and fitness function. The algorithm is analysed theoretically. To validate the algorithm, fourteen mathematical benchmark functions from standard CEC test suites are evaluated and statistically tested. Also, to study the efficacy of ORS on recent complex benchmark functions, ten benchmark functions of CEC-06-2019 are evaluated. Further, three well-known engineering problems are solved by ORS and compared with other state-of-the-art meta-heuristics. Simulation results show that in many cases, the proposed ORS algorithm outperforms some state-of-the-art meta-heuristic optimization algorithms. The sub-optimal behavior of ORS in some recent benchmark functions is also observed.
- Abstract（参考訳）: メタヒューリスティックなアルゴリズム開発は、その誕生以来、研究の推進領域となっている。
本稿では,Olive Ridley Survival (ORS) というメタヒューリスティック最適化アルゴリズムを提案する。
オリーブ・リドリーの生存に関する主要な事実は、巣から出てくる1,000羽のオリーブ・リドリーハッチリングのうち、様々な環境や他の要因のために海に生き残るのは1匹だけであることを示している。
この事実は提案アルゴリズムのバックボーンとして機能する。
このアルゴリズムには2つの主要なフェーズがあり、ハッチリングは環境要因を通して生存し、運動軌道が生存に与える影響である。
位相は数学的にモデル化され、適切な入力表現と適合関数と共に実装される。
アルゴリズムは理論的に解析される。
このアルゴリズムを検証するために、標準CECテストスイートから14の数学的ベンチマーク関数を評価し、統計的に検証した。
また,最近の複雑なベンチマーク関数に対するORSの有効性を検討するために,CEC-06-2019の10個のベンチマーク関数を評価した。
さらに、ORSによってよく知られた3つの工学問題が解決され、他の最先端のメタヒューリスティックスと比較される。
シミュレーションの結果、提案するORSアルゴリズムは、最先端のメタヒューリスティック最適化アルゴリズムよりも優れていることがわかった。
近年のベンチマーク関数におけるORSの準最適挙動も観察されている。
関連論文リスト
- SHS: Scorpion Hunting Strategy Swarm Algorithm [2.9863148950750737]
我々は,Scorpion Hunting Strategy (SHS)を紹介した。
この研究は、厳密なベンチマークと現実世界の問題解決シナリオを通じて、その有効性と汎用性を裏付けるものである。
論文 参考訳（メタデータ） (2024-07-19T10:58:42Z) - In Search of Excellence: SHOA as a Competitive Shrike Optimization Algorithm for Multimodal Problems [4.939986309170004]
提案アルゴリズムの主なインスピレーションは、自然界におけるシロチョウの群れ行動から取られたものである。
最適化探索と利用の2つの部分は、シロイヌナズナの繁殖と食物の探索をモデル化して設計されている。
本論文は,SHOAが最適化を行うための数学的モデルである。
論文 参考訳（メタデータ） (2024-07-09T11:19:37Z) - Snail Homing and Mating Search Algorithm: A Novel Bio-Inspired
Metaheuristic Algorithm [0.855200588098612]
提案したSHMSアルゴリズムは,複数の単モーダル関数と多モーダル関数を解くことによって検討する。
SHMSアルゴリズムの現実的な応用は、エンジニアリング設計領域で実証されている。
論文 参考訳（メタデータ） (2023-10-06T05:18:48Z) - GOOSE Algorithm: A Powerful Optimization Tool for Real-World Engineering Challenges and Beyond [4.939986309170004]
GOOSEアルゴリズムは19のよく知られたテスト関数でベンチマークされる。
提案アルゴリズムは, 最新のベンチマーク関数10を用いて検証する。
得られた結果は,提案アルゴリズムの優れた性能を示すものである。
論文 参考訳（メタデータ） (2023-07-19T19:14:25Z) - Maximum-Likelihood Inverse Reinforcement Learning with Finite-Time
Guarantees [56.848265937921354]
逆強化学習(IRL)は報酬関数と関連する最適ポリシーを回復することを目的としている。
IRLの多くのアルゴリズムは本質的にネスト構造を持つ。
我々は、報酬推定精度を損なわないIRLのための新しいシングルループアルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-10-04T17:13:45Z) - Algorithmic Foundations of Empirical X-risk Minimization [51.58884973792057]
この原稿は、機械学習とAIの新しい最適化フレームワーク、bf empirical X-risk baseline (EXM)を紹介している。
Xリスク(X-risk)は、構成測度または目的の族を表すために導入された用語である。
論文 参考訳（メタデータ） (2022-06-01T12:22:56Z) - Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and
Stability [67.8426046908398]
汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。
本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
論文 参考訳（メタデータ） (2022-04-08T20:46:16Z) - 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) - Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。
厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。
このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
論文 参考訳（メタデータ） (2021-11-29T15:10:09Z) - Improving RNA Secondary Structure Design using Deep Reinforcement
Learning [69.63971634605797]
本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。
本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
論文 参考訳（メタデータ） (2021-11-05T02:54:06Z) - Reparameterized Variational Divergence Minimization for Stable Imitation [57.06909373038396]
確率的発散の選択における変動が、より高性能なILOアルゴリズムをもたらす可能性について検討する。
本稿では,提案する$f$-divergence最小化フレームワークの課題を軽減するために,逆模倣学習のための再パラメータ化手法を提案する。
経験的に、我々の設計選択は、ベースラインアプローチより優れ、低次元連続制御タスクにおける専門家のパフォーマンスとより密に適合するIOOアルゴリズムを許容することを示した。
論文 参考訳（メタデータ） (2020-06-18T19:04:09Z)
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。