論文の概要: Multiple Global Peaks Big Bang-Big Crunch Algorithm for Multimodal Optimization

• arxiv url: http://arxiv.org/abs/2410.18102v2
• Date: Fri, 08 Nov 2024 11:07:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 18:11:29.098407
• Title: Multiple Global Peaks Big Bang-Big Crunch Algorithm for Multimodal Optimization
• Title（参考訳）: マルチモーダル最適化のためのマルチグローバルピークビッグバン大Crunchアルゴリズム
• Authors: Fabio Stroppa, Ahmet Astar,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.006303657343407
• License:
• Abstract: The main challenge of multimodal optimization problems is identifying multiple peaks with high accuracy in multidimensional search spaces with irregular landscapes. This work proposes the Multiple Global Peaks Big Bang-Big Crunch (MGP-BBBC) algorithm, which addresses the challenge of multimodal optimization problems by introducing a specialized mechanism for each operator. The algorithm expands the Big Bang-Big Crunch algorithm, a state-of-the-art metaheuristic inspired by the universe's evolution. Specifically, MGP-BBBC groups the best individuals of the population into cluster-based centers of mass and then expands them with a progressively lower disturbance to guarantee convergence. During this process, it (i) applies a distance-based filtering to remove unnecessary elites such that the ones on smaller peaks are not lost, (ii) promotes isolated individuals based on their niche count after clustering, and (iii) balances exploration and exploitation during offspring generation to target specific accuracy levels. Experimental results on twenty multimodal benchmark test functions show that MGP-BBBC generally performs better or competitively with respect to other state-of-the-art multimodal optimizers.
• Abstract（参考訳）: マルチモーダル最適化問題の主な課題は、不規則な風景を持つ多次元探索空間において、高い精度で複数のピークを特定することである。 本研究は,マルチモーダル最適化の問題に対処するため,各演算子に特別な機構を導入することで,多重グローバルピーク・ビッグバンビッグCrunch(MGP-BBBC)アルゴリズムを提案する。 このアルゴリズムは、宇宙の進化にインスパイアされた最先端のメタヒューリスティックであるBig Bang-Big Crunchアルゴリズムを拡張する。 具体的には、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障害で拡張する。 この過程で、 (i)小峰のものが失われないように、不要なエリートを除去するために距離に基づくフィルタリングを適用する。 (二)群集後のニッチ数に基づいて孤立した個人を育成し、 三 特定の精度レベルを目標として、子孫発生時の探索及び利用のバランスをとること。 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オプティマイザに対して、一般的に、あるいは競争的に優れた性能を発揮することが示された。

関連論文リスト

• Continuous K-Max Bandits [54.21533414838677]
  我々は、連続的な結果分布と弱い値-インデックスフィードバックを持つ、$K$-Maxのマルチアームバンディット問題について検討する。 この設定は、レコメンデーションシステム、分散コンピューティング、サーバスケジューリングなどにおいて重要なアプリケーションをキャプチャします。 我々の重要な貢献は、適応的な離散化とバイアス補正された信頼境界を組み合わせた計算効率の良いアルゴリズムDCK-UCBである。
  論文  参考訳（メタデータ） (2025-02-19T06:37:37Z)
• A Greedy Strategy for Graph Cut [95.2841574410968]
  GGCと呼ばれるグラフカットの問題を解決するための欲求戦略を提案する。 これは、各データサンプルがクラスタと見なされる状態から始まり、2つのクラスタを動的にマージする。 GGCはサンプル数に関してほぼ線形な計算複雑性を持つ。
  論文  参考訳（メタデータ） (2024-12-28T05:49:42Z)
• Multimodal Optimization with k-Cluster Big Bang-Big Crunch Algorithm and Postprocessing Methods for Identification and Quantification of Optima [0.7639610349097473]
  マルチモーダル最適化は工学的な問題、特に異なる代替解を求める場合にしばしば発生する。 本稿では,あまり知られていないビッグバン・ビッグ・Crunch(BBBC)アルゴリズムがマルチモーダル最適化に適しているかを検討する。
  論文  参考訳（メタデータ） (2023-12-21T06:16:32Z)
• Distributed Optimization via Kernelized Multi-armed Bandits [6.04275169308491]
  分散最適化問題を異種報酬設定によるマルチエージェントカーネル化されたマルチアームバンディット問題としてモデル化する。 我々は,カーネルの一般的なクラスに対して,サブ線形なリフレッシュバウンドを実現するために,完全に分散化されたアルゴリズムであるマルチエージェントIGP-UCB(MA-IGP-UCB)を提案する。 また,Multi-agent Delayed IGP-UCB (MAD-IGP-UCB)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-07T21:57:48Z)
• Batch Bayesian Optimization for Replicable Experimental Design [56.64902148159355]
  多くの実世界の設計問題は、大規模で異質な観測ノイズのため、複数の実験条件を並列に評価し、各条件を複数回再現する。 本稿では,3つのアルゴリズムを含むReplicable Experimental Designフレームワークのバッチトンプソンサンプリングを提案する。 我々は,アルゴリズムの有効性を,精密農業とAutoMLの2つの実世界の応用例で示す。
  論文  参考訳（メタデータ） (2023-11-02T12:46:03Z)
• Genetic multi-armed bandits: a reinforcement learning approach for discrete optimization via simulation [0.0]
  本稿では,マルチアームバンディットの強化学習領域とランダム検索戦略を組み合わせて,シミュレーションによる離散最適化問題の解法を提案する。 本研究の目的は,多腕バンディットの特性と遺伝的アルゴリズムの高次元解空間処理能力を組み合わせることである。
  論文  参考訳（メタデータ） (2023-02-15T14:46:19Z)
• Designing Biological Sequences via Meta-Reinforcement Learning and Bayesian Optimization [68.28697120944116]
  メタ強化学習を用いて自己回帰生成モデルを訓練し、選択のための有望なシーケンスを提案する。 我々は,データのサブセットのサンプリングによって誘導されるMDPの分布に対する最適ポリシーを求める問題として,この問題を提起する。 このようなアンサンブルに対するメタラーニングは,報酬の過小評価に対して頑健であり,競争的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-13T18:37:27Z)
• Max-Min Grouped Bandits [48.62520520818357]
  マルチアームバンディット問題であるmax-min grouped banditsを導入する。 ゴールは、最悪の腕が最高の平均報酬を持つグループを見つけることです。 この問題はレコメンデーションシステムのようなアプリケーションには関心がある。
  論文  参考訳（メタデータ） (2021-11-17T01:59:15Z)
• Attention-oriented Brain Storm Optimization for Multimodal Optimization Problems [24.38312890501329]
  本稿では,アテンション指向のブレインストーム最適化(ABSO)手法を提案し,アテンション機構を比較的新しいスワムインテリジェンスアルゴリズムに導入する。 一つの大域的最適解に収束するのではなく, 提案手法は探索手順を導出し, 複数の「安定」解に収束させる。
  論文  参考訳（メタデータ） (2021-05-27T12:47:57Z)
• Permutation Invariant Policy Optimization for Mean-Field Multi-Agent Reinforcement Learning: A Principled Approach [128.62787284435007]
  本稿では,平均場近似ポリシ最適化(MF-PPO)アルゴリズムを提案する。 我々は,MF-PPOが収束のサブ線形速度で世界的最適政策を達成することを証明した。 特に、置換不変ニューラルアーキテクチャによって引き起こされる誘導バイアスは、MF-PPOが既存の競合より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-18T04:35:41Z)
• cMLSGA: A Co-Evolutionary Multi-Level Selection Genetic Algorithm for Multi-Objective Optimization [0.0]
  MLSGA(Multi-Level Selection Genetic Algorithm)は、すでに様々な問題に対して優れた性能を示している。 本稿では,共進化を個人ではなく集団間の競争として定義する,個別の共進化機構を提案する。
  論文  参考訳（メタデータ） (2021-04-22T13:52:21Z)

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。