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 17:07:51.350277
• 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:
• 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

• Discovering new robust local search algorithms with neuro-evolution [0.9786690381850356]
  本稿では,局所探索アルゴリズムの領域における既存の課題を克服することを目的とした,新しいアプローチを提案する。 本研究の目的は,局所探索アルゴリズム内で発生する決定プロセスを改善することであり,各反復で最良な遷移を実現することである。 このアプローチは、新しいローカル検索アルゴリズムの出現とブラックボックス問題に対する問題解決能力の改善に有望な道を提供する。
  論文  参考訳（メタデータ） (2025-01-08T10:31:16Z)
• 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)
• 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)
• 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)
• Exploring Complicated Search Spaces with Interleaving-Free Sampling [127.07551427957362]
  本稿では,長距離接続を伴う複雑な検索空間上に探索アルゴリズムを構築する。 我々はtextbfIF-NAS という単純なアルゴリズムを提案し、異なるサブネットワークを構築するために周期的なサンプリング戦略を実行する。 提案した探索空間において、IF-NASはランダムサンプリングと従来の重み付け検索のアルゴリズムを有意差で上回っている。
  論文  参考訳（メタデータ） (2021-12-05T06:42:48Z)
• 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)
• 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)

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。