論文の概要: LPBSA: Enhancing Optimization Efficiency through Learner Performance-based Behavior and Simulated Annealing
- arxiv url: http://arxiv.org/abs/2501.14759v2
- Date: Tue, 28 Jan 2025 13:19:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-29 16:39:17.473407
- Title: LPBSA: Enhancing Optimization Efficiency through Learner Performance-based Behavior and Simulated Annealing
- Title(参考訳): LPBSA:学習者パフォーマンスに基づく行動とシミュレーションアニーリングによる最適化効率の向上
- Authors: Dana R. Hamad, Tarik A. Rashid,
- Abstract要約: LPBSAは、Learner Performance-based Behavior (LPB)とSimulated Annealing (SA)をハイブリッドアプローチで組み合わせた高度な最適化アルゴリズムである。
LPBSAはLPBよりも優れた性能を示し、PSO、FDO、LEO、GAといった確立したアルゴリズムと競合する。
- 参考スコア(独自算出の注目度): 4.939986309170004
- License:
- Abstract: This study introduces the LPBSA, an advanced optimization algorithm that combines Learner Performance-based Behavior (LPB) and Simulated Annealing (SA) in a hybrid approach. Emphasizing metaheuristics, the LPBSA addresses and mitigates the challenges associated with traditional LPB methodologies, enhancing convergence, robustness, and adaptability in solving complex optimization problems. Through extensive evaluations using benchmark test functions, the LPBSA demonstrates superior performance compared to LPB and competes favorably with established algorithms such as PSO, FDO, LEO, and GA. Real-world applications underscore the algorithm's promise, with LPBSA outperforming the LEO algorithm in two tested scenarios. Based on the study results many test function results such as TF5 by recording (4.76762333) and some other test functions provided in the result section prove that LPBSA outperforms popular algorithms. This research highlights the efficacy of a hybrid approach in the ongoing evolution of optimization algorithms, showcasing the LPBSA's capacity to navigate diverse optimization landscapes and contribute significantly to addressing intricate optimization challenges.
- Abstract(参考訳): 本研究では,Learner Performance-based Behavior (LPB)とSimulated Annealing (SA)をハイブリッドアプローチで組み合わせた,高度な最適化アルゴリズムであるLPBSAを紹介する。
メタヒューリスティックス(メタヒューリスティックス)を強調し、LPBSAは、複雑な最適化問題の解決において、従来のLPB方法論に関連する課題に対処し、緩和する。
ベンチマークテスト関数を用いた広範な評価により、LPBSAはLPBよりも優れた性能を示し、PSO、FDO、LEO、GAといった確立されたアルゴリズムと競合する。
LPBSAは2つのテストシナリオでLEOアルゴリズムを上回っている。
実験結果から, TF5 などのテスト関数の結果 (4.76762333) と, 結果セクションで提供される他のテスト関数は, LPBSA が一般的なアルゴリズムより優れていることを証明している。
本研究は、最適化アルゴリズムの継続的な進化におけるハイブリッドアプローチの有効性を強調し、多様な最適化ランドスケープをナビゲートするLPBSAの能力を示し、複雑な最適化課題への対処に大きく貢献する。
関連論文リスト
- Optimizing LPB Algorithms using Simulated Annealing [4.939986309170004]
本研究は, 改良されたアルゴリズムの作業手順を, 主集団に提供し, 良質な集団と悪質な集団に分割することによって概説する。
その結果、人口が増加し、効率が向上し、PBSAの性能が検証された。
論文 参考訳(メタデータ) (2024-12-22T13:17:26Z) - Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。
本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。
合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
論文 参考訳(メタデータ) (2024-11-07T17:05:31Z) - The Firefighter Algorithm: A Hybrid Metaheuristic for Optimization Problems [3.2432648012273346]
The Firefighter Optimization (FFO) algorithm is a new hybrid metaheuristic for optimization problem。
FFOの性能を評価するため、FFOは13の最適化アルゴリズムに対して広範な実験を行った。
その結果、FFOは比較性能を達成し、いくつかのシナリオでは、得られた適合性、正確性に要する時間、時間単位でカバーされる研究空間の点で、一般的に採用されている最適化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) (2024-06-01T18:38:59Z) - CLPB: Chaotic Learner Performance Based Behaviour [4.939986309170004]
本稿では,10個のカオスマップをLPB内に埋め込むことにより,単一目的LPBの性能を向上させることを目的とする。
提案アルゴリズムは,処理時間(PT)を削減し,グローバル最適に近づき,最適収束速度で局所最適をバイパスする。
論文 参考訳(メタデータ) (2024-04-25T09:30:51Z) - Beyond Single-Model Views for Deep Learning: Optimization versus
Generalizability of Stochastic Optimization Algorithms [13.134564730161983]
本稿では、勾配降下(SGD)とその変種に着目し、ディープラーニングの最適化に新しいアプローチを採用する。
我々はSGDとその変種がSAMのような平らなミニマと同等の性能を示すことを示した。
本研究は、トレーニング損失とホールドアウト精度の関係、およびSGDとノイズ対応変種の性能について、いくつかの重要な知見を明らかにした。
論文 参考訳(メタデータ) (2024-03-01T14:55:22Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-04T01:47:37Z) - Provably Efficient UCB-type Algorithms For Learning Predictive State
Representations [55.00359893021461]
逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である
本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。
PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
論文 参考訳(メタデータ) (2023-07-01T18:35:21Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳(メタデータ) (2022-10-02T05:03:38Z) - 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) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳(メタデータ) (2020-09-28T15:22:24Z) - A new evolutionary algorithm: Learner performance based behavior
algorithm [1.1802674324027231]
本稿では,Learner Performance Based Behavior Algorithm (LPB) と呼ばれる新しい進化的アルゴリズムを提案する。
LPBの基本的なインスピレーションは、大学の様々な部署の高校の大学院生を受け入れる過程に端を発する。
提案アルゴリズムの結果は,DA,GA,PSOと比較される。
論文 参考訳(メタデータ) (2020-09-05T04:17:35Z)
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。