論文の概要: Resolving the Exploration-Exploitation Dilemma in Evolutionary Algorithms: A Novel Human-Centered Framework

• arxiv url: http://arxiv.org/abs/2501.02153v1
• Date: Sat, 04 Jan 2025 01:06:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 16:36:50.893301
• Title: Resolving the Exploration-Exploitation Dilemma in Evolutionary Algorithms: A Novel Human-Centered Framework
• Title（参考訳）: 進化的アルゴリズムにおける探索・探索ジレンマの解消:新しい人間中心の枠組み
• Authors: Ehsan Shams,
• Abstract要約: いわゆる探索・探索ジレンマを解決するために,人間中心の新たな枠組みが提案されている。 従来のアプローチとは異なり、検索プロセスは単一フェーズで妥協されることはない。 制約なし最適化における14のよく知られたベンチマーク問題に対して,その有効性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evolutionary Algorithms (EAs) are powerful tools for tackling complex computational problems, yet effectively managing the exploitation and exploration dynamics -- crucial for robust search navigation -- remains a persistent challenge for EA designers, and leads to the so-called exploration-exploitation dilemma. In this paper, a new human-centered framework is proposed to resolve this dilemma. Unlike the traditional approach, the search process will not be compromised of a single-phase nor the decision-maker tuning efforts will be distributed among the algorithm's traditional parameters such as defining new evolutionary operators internal to the algorithm to influence its search navigation. Instead, a human-centered two-phase search process, compromised of a global search phase followed by a local phase will be utilized. In this framework, the designer plays the central role in directing the algorithm's search navigation through the focused tuning efforts of a new Search Space Size Control parameter external to the algorithm which proves itself to be the dominant parameter in-effect to the algorithm's effective search navigation. The framework is applicable to any search algorithm. We demonstrate its effectiveness on 14 well-known benchmark problems in unconstrained optimization.
• Abstract（参考訳）: 進化的アルゴリズム(Evolutionary Algorithms, EA)は、複雑な計算問題に対処する強力なツールであるが、堅牢な探索ナビゲーションに不可欠な、エクスプロイトと探索のダイナミクスを効果的に管理することは、EA設計者にとって永続的な課題であり、いわゆる探索-探索ジレンマにつながっている。 本稿では,このジレンマを解決するために,新しい人間中心の枠組みを提案する。 従来のアプローチとは異なり、探索プロセスは単一フェーズで妥協されることはないし、アルゴリズムの内部に新しい進化的演算子を定義してその探索ナビゲーションに影響を与えるような、アルゴリズムの伝統的なパラメータに分散される。 代わりに、グローバルな検索フェーズから逸脱した人間中心の2段階探索プロセスと、ローカルなフェーズを併用する。 このフレームワークでは,アルゴリズムの効率的な探索ナビゲーションに影響を及ぼすパラメータとして,アルゴリズム外部の新たな検索空間サイズ制御パラメータの集中チューニング作業を通じて,アルゴリズムの探索ナビゲーションを指示する上で,デザイナが中心となる役割を担っている。 このフレームワークは任意の検索アルゴリズムに適用できる。 制約なし最適化における14のよく知られたベンチマーク問題に対して,その有効性を示す。

関連論文リスト

• Tuning-Free Structured Sparse PCA via Deep Unfolding Networks [5.931547772157972]
  教師なし特徴選択(UFS)のための新しいタイプのスパース主成分分析(PCA)を提案する。 解釈可能な深層展開ネットワークを使用して、反復最適化ステップをトレーニング可能なニューラルネットワークに変換する。 この革新は、従来の手法の経験的チューニング要求を効果的に回避し、正規化パラメータの自動学習を可能にする。
  論文  参考訳（メタデータ） (2025-02-28T08:32:51Z)
• Learning-Based Design of LQG Controllers in Quantum Coherent Feedback [11.494992140467984]
  本稿では,LQG制御系の設計に適した微分進化アルゴリズムを提案する。 このアルゴリズムには、緩和可能なルール、スケジュールされたペナルティ関数、適応的な検索範囲調整、ベット・アンド・ランの戦略を含む特殊なモジュールが組み込まれている。 提案手法は、物理的に実現可能な制約を受ける性能最適化タスクにおいて、他の線形量子システムに適用する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-12T07:24:22Z)
• Optimal Control Operator Perspective and a Neural Adaptive Spectral Method [43.684201849848314]
  最適制御問題(OCP)は、コスト関数が最適化されるような動的システムの制御関数を見つけることである。 本稿では,OCPをワンショットで解決する新しいインスタンス・ソリューション・コントロール・オペレーター・パースペクティブを提案する。 合成環境と実世界のデータセットの実験により、我々のアプローチの有効性と効率が検証された。
  論文  参考訳（メタデータ） (2024-12-17T02:06:34Z)
• Deep Reinforcement Learning for Online Optimal Execution Strategies [49.1574468325115]
  本稿では,動的な金融市場における非マルコフ的最適実行戦略の学習に挑戦する。 我々は,Deep Deterministic Policy Gradient(DDPG)に基づく新しいアクター批判アルゴリズムを提案する。 提案アルゴリズムは最適実行戦略の近似に成功していることを示す。
  論文  参考訳（メタデータ） (2024-10-17T12:38:08Z)
• An Improved Artificial Fish Swarm Algorithm for Solving the Problem of Investigation Path Planning [8.725702964289479]
  多集団差分進化(DE-CAFSA)に基づくカオス人工魚群アルゴリズムを提案する。 適応的な視野とステップサイズ調整を導入し、ランダムな動作を2オプト操作に置き換え、カオス理論と準最適解を導入する。 実験結果から、DECAFSAは、異なる大きさの様々な公開データセット上で、他のアルゴリズムよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-10-20T09:35:51Z)
• Discovering General Reinforcement Learning Algorithms with Adversarial Environment Design [54.39859618450935]
  メタ学習型更新ルールは,広範囲のRLタスクで良好に機能するアルゴリズムの発見を期待して,実現可能であることを示す。 Learned Policy Gradient (LPG)のようなアルゴリズムによる印象的な初期結果にもかかわらず、これらのアルゴリズムが目に見えない環境に適用される場合、まだギャップが残っている。 本研究では,メタ教師付き学習分布の特性が,これらのアルゴリズムの性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2023-10-04T12:52:56Z)
• PSDiff: Diffusion Model for Person Search with Iterative and Collaborative Refinement [59.6260680005195]
  本稿では,拡散モデルであるPSDiffに基づく新しいPerson Searchフレームワークを提案する。 PSDiffは、ノイズの多いボックスとReID埋め込みから地上の真実へのデュアルデノケーションプロセスとして検索する人を定式化する。 新しいパラダイムに従って、我々は、反復的かつ協調的な方法で検出とReIDサブタスクを最適化する新しいコラボレーティブ・デノナイジング・レイヤ(CDL)を設計する。
  論文  参考訳（メタデータ） (2023-09-20T08:16:39Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Neural Algorithmic Reasoning Without Intermediate Supervision [21.852775399735005]
  我々は、中間的監督に訴えることなく、入出力ペアからのみニューラルネットワーク推論を学ぶことに集中する。 我々は、アルゴリズムの軌跡にアクセスできることなく、モデルの中間計算を正規化できる自己教師対象を構築する。 CLRSic Algorithmic Reasoning Benchmarkのタスクにおいて,提案手法はトラジェクトリを教師する手法と競合することを示す。
  論文  参考訳（メタデータ） (2023-06-23T09:57:44Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• VNE Strategy based on Chaotic Hybrid Flower Pollination Algorithm Considering Multi-criteria Decision Making [12.361459296815559]
  仮想ネットワーク埋め込み (Virtual Network Embedding, VNE) 問題に対するハイブリッド花の受粉アルゴリズムの設計戦略について論じる。 クロス操作は、グローバル検索を完了させるためにクロスポリン化操作を置き換えるために使用される。 従来のフィットネスベースの選択戦略の補完としてライフサイクルメカニズムが導入されている。
  論文  参考訳（メタデータ） (2022-02-07T00:57:00Z)
• DESTRESS: Computation-Optimal and Communication-Efficient Decentralized Nonconvex Finite-Sum Optimization [43.31016937305845]
  インターネット・オブ・シング、ネットワークセンシング、自律システム、有限サム最適化のための分散アルゴリズムのためのフェデレーション学習。 非有限サム最適化のためのDecentralized STochastic Recursive MethodDESTRESSを開発した。 詳細な理論的および数値的な比較は、DESTRESSが事前の分散アルゴリズムにより改善されていることを示している。
  論文  参考訳（メタデータ） (2021-10-04T03:17:41Z)
• An Overview and Experimental Study of Learning-based Optimization Algorithms for Vehicle Routing Problem [49.04543375851723]
  車両ルーティング問題(VRP)は典型的な離散最適化問題である。 多くの研究は、VRPを解決するための学習に基づく最適化アルゴリズムについて検討している。 本稿では、最近のこの分野の進歩を概観し、関連するアプローチをエンドツーエンドアプローチとステップバイステップアプローチに分割する。
  論文  参考訳（メタデータ） (2021-07-15T02:13:03Z)
• Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in Edge Industrial IoT [106.83952081124195]
  強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。 本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。 実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
  論文  参考訳（メタデータ） (2021-06-30T16:49:07Z)
• A Meta-Heuristic Search Algorithm based on Infrasonic Mating Displays in Peafowls [0.0]
  探索アルゴリズムの解空間が増大するにつれて、網羅的探索のような単純な手法は計算コストが高く、信頼性が低いものとなる。 本研究では, 重力探索アルゴリズムとオオカミの交尾行動から着想を得た赤外探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-28T09:04:51Z)
• AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
  現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。 探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。 学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
  論文  参考訳（メタデータ） (2021-03-22T13:28:56Z)
• Multi-Level Evolution Strategies for High-Resolution Black-Box Control [0.2320417845168326]
  本稿では進化戦略(ES)にマルチレベル(m-lev)機構を導入する。 これは、決定変数の詳細な離散化の恩恵を受けることができる、グローバルな最適化問題のクラスに対処する。
  論文  参考訳（メタデータ） (2020-10-04T09:24:40Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• Second-Order Guarantees in Centralized, Federated and Decentralized Nonconvex Optimization [64.26238893241322]
  単純なアルゴリズムは、多くの文脈において優れた経験的結果をもたらすことが示されている。 いくつかの研究は、非最適化問題を研究するための厳密な分析的正当化を追求している。 これらの分析における重要な洞察は、摂動が局所的な降下アルゴリズムを許容する上で重要な役割を担っていることである。
  論文  参考訳（メタデータ） (2020-03-31T16:54:22Z)
• Decentralized MCTS via Learned Teammate Models [89.24858306636816]
  本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。 深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-19T13:10:20Z)

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。