論文の概要: UDE-III: An Enhanced Unified Differential Evolution Algorithm for Constrained Optimization Problems
- arxiv url: http://arxiv.org/abs/2410.03992v1
- Date: Sat, 5 Oct 2024 01:17:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 14:50:11.563727
- Title: UDE-III: An Enhanced Unified Differential Evolution Algorithm for Constrained Optimization Problems
- Title（参考訳）: UDE-III:制約付き最適化問題に対する統合微分進化アルゴリズム
- Authors: Anupam Trivedi, Dikshit Chauhan,
- Abstract要約: 実パラメータ制約最適化問題 (COPs) に対して, UDE-III と呼ばれる拡張型統合微分進化アルゴリズムを提案する。
提案された UDE-III は改良された UDE (IUDE または UDE-II) の大幅な改良版であり、実際のパラメータCOPのCEC 2018 コンペで第1位を獲得した。
実験の結果, UDE-IIIがUDE-IIよりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, an enhanced unified differential evolution algorithm, named UDE-III, is presented for real parameter-constrained optimization problems (COPs). The proposed UDE-III is a significantly enhanced version of the Improved UDE (i.e., IUDE or UDE-II), which secured the 1st rank in the CEC 2018 competition on real parameter COPs. To design UDE-III, we extensively targeted the weaknesses of UDE-II. Specifically, UDE-III uses three trial vector generation strategies - DE/rand/1, DE/current-to-rand/1, and DE/current-to-pbest/1. It is based on a dual population approach, and for each generation, it divides the current population into two sub-populations. In the top sub-population, it employs all three trial vector generation strategies on each target vector. On the other hand, the bottom sub-population employs strategy adaptation and one trial vector generation strategy is implemented on each target vector. The mutation operation in UDE-III is based on ranking-based mutation. Further, it employs the parameter adaptation principle of SHADE. The constraint handling principle in UDE-III is based on a combination of the feasibility rule and epsilon-constraint handling technique. We observed that stagnation is a major weakness of UDE-II. To overcome this weakness, we took inspiration from the best-discarded vector selection (BDVS) strategy proposed in the literature and integrated a novel strategy in UDE-III to address stagnation. Additionally, unlike UDE-II, UDE-III considers the size of the two sub-populations to be a design element. Moreover, in comparison to UDE-II, UDE-III improves upon the strategy adaptation, ranking-based mutation, and the constraint handling technique. The proposed UDE-III algorithm is tested on the 28 benchmark 30D problems provided for the CEC 2024 competition on real parameter COPs. The experimental results demonstrate the superiority of UDE-III over UDE-II.
- Abstract（参考訳）: 本稿では、実パラメータ制約付き最適化問題(COP)に対して、UDE-IIIと呼ばれる拡張された統合微分進化アルゴリズムを提案する。
提案された UDE-III は改良された UDE (IUDE または UDE-II) の大幅な改良版であり、実際のパラメータCOPのCEC 2018 コンペで第1位を獲得した。
UDE-IIIを設計するためには、UDE-IIの弱点を広範囲に標的とした。
具体的には、DE/rand/1、DE/current-to-rand/1、DE/current-to-pbest/1の3つの試行ベクトル生成戦略を使用する。
これは二重人口のアプローチに基づいており、各世代で現在の人口を2つのサブ人口に分けている。
上位のサブポピュレーションでは、ターゲットベクトルの3つの試行ベクトル生成戦略を全て採用している。
一方,下層部では戦略適応が採用されており,各ターゲットベクトルに対して1つの試行ベクトル生成戦略が実装されている。
UDE-IIIの突然変異操作はランクに基づく突然変異に基づいている。
さらに、SHADEのパラメータ適応原理を用いる。
UDE-IIIにおける制約ハンドリングの原則は、実現可能性ルールとエプシロン制約ハンドリング技術の組み合わせに基づいている。
停滞はUDE-IIの大きな弱点であることがわかった。
この弱点を克服するため,本論文で提案したBDVS(Best-discarded vector selection)戦略からインスピレーションを得て,UDE-IIIの新たな戦略を統合し,停滞に対処した。
加えて、UDE-IIとは異なり、UDE-IIIは2つのサブポピュレーションのサイズを設計要素とみなしている。
さらに、UDE-IIと比較して、UDE-IIIは戦略適応、ランキングベースの突然変異、制約ハンドリング技術を改善する。
The proposed UDE-III algorithm is test on the 28 benchmark 30D problems for the CEC 2024 competition on real parameter COPs。
実験の結果, UDE-IIIがUDE-IIよりも優れていることが示された。
関連論文リスト
- Introducing Competitive Mechanism to Differential Evolution for Numerical Optimization [6.464980828114218]
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。
論文 参考訳（メタデータ） (2024-06-08T10:48:39Z) - Elucidating the solution space of extended reverse-time SDE for
diffusion models [54.23536653351234]
拡散モデル(DM)は、様々な生成的モデリングタスクにおいて強力な画像生成能力を示す。
その主な制限はサンプリング速度の遅いことであり、高品質な画像を生成するには数百から数千のシーケンシャルな機能評価が必要である。
サンプリングプロセスを拡張逆時間SDEとして定式化し、ODEやSDEへの事前探索を統一する。
我々は, 高速かつトレーニング不要なサンプル装置ER-SDE-rsを考案し, 全サンプル装置の最先端性能を実現した。
論文 参考訳（メタデータ） (2023-09-12T12:27:17Z) - Contrastive Bi-Projector for Unsupervised Domain Adaption [0.0]
コントラッシブ・バイプロジェクタ(CBP)に基づく新しい非教師なし領域適応法(UDA)を提案する。
ここでCBPUDAと呼ばれ、特徴抽出器(FE)を効果的に促進し、分類とドメイン適応のための曖昧な特徴の生成を減らす。
実験結果から, CBPUDAは従来のUDA法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-08-14T09:06:21Z) - Consistency-Aware Anchor Pyramid Network for Crowd Localization [167.93943981468348]
クラウドローカライゼーションは、群衆シナリオにおける人間の空間的位置を予測することを目的としている。
本稿では,各画像領域のアンカー密度を適応的に決定するアンカーピラミッド方式を提案する。
論文 参考訳（メタデータ） (2022-12-08T04:32:01Z) - Rethinking IoU-based Optimization for Single-stage 3D Object Detection [103.83141677242871]
本稿では回転分離型IoU(RDIoU)法を提案する。
我々のRDIoUは、回転変数を独立項として分離することで、回帰パラメータの複雑な相互作用を単純化する。
論文 参考訳（メタデータ） (2022-07-19T15:35:23Z) - EGSDE: Unpaired Image-to-Image Translation via Energy-Guided Stochastic
Differential Equations [39.54153714565214]
本稿では,エネルギー誘導型微分方程式(EGSDE)を提案する。この方程式は,エネルギー関数をソース領域とターゲット領域の両方で事前学習し,実感的かつ忠実なI2Iのための事前学習されたSDEの推論過程を導出する。
EGSDEは、既存のメソッドをほぼすべての設定で一貫して上回るだけでなく、忠実なパフォーマンスを損なうことなく、SOTAリアリズムの結果も達成している。
論文 参考訳（メタデータ） (2022-07-14T03:08:33Z) - Model Selection in Batch Policy Optimization [88.52887493684078]
バッチポリシー最適化におけるモデル選択の問題について検討する。
我々は,任意のモデル選択アルゴリズムが競争力を得るために最適にトレードオフすべきという誤りの3つの源を同定する。
論文 参考訳（メタデータ） (2021-12-23T02:31:50Z) - 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) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z) - Evolutionary Multi Objective Optimization Algorithm for Community
Detection in Complex Social Networks [10.855626765597005]
ネットワーク内のコミュニティ構造を見つけるために,3目的の定式化の2つのバリエーションを提案する。
4つのベンチマークネットワークデータセットで実験を行う。
論文 参考訳（メタデータ） (2020-05-07T00:13:31Z)
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。