論文の概要: Hybrid Firefly-Genetic Algorithm for Single and Multi-dimensional 0-1 Knapsack Problems
- arxiv url: http://arxiv.org/abs/2501.14775v1
- Date: Tue, 31 Dec 2024 08:03:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-02 09:19:37.710525
- Title: Hybrid Firefly-Genetic Algorithm for Single and Multi-dimensional 0-1 Knapsack Problems
- Title(参考訳): 単次元および多次元の0-1クナップサック問題に対するハイブリッドファイアフライ生成アルゴリズム
- Authors: Aswathi Malanthara, Ishaan R Kale,
- Abstract要約: 本稿では,ファイアフライアルゴリズム (FA) や遺伝的アルゴリズム (GA) などのアルゴリズムが直面する課題に対処する。
ハイブリットアルゴリズムは、制約のないベンチマーク関数と制約付き最適化問題を解くことによって検証される。
提案アルゴリズムは,従来の最適化アルゴリズムに比べて解の精度と計算効率が向上した。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: This paper addresses the challenges faced by algorithms, such as the Firefly Algorithm (FA) and the Genetic Algorithm (GA), in constrained optimization problems. While both algorithms perform well for unconstrained problems, their effectiveness diminishes when constraints are introduced due to limitations in exploration, exploitation, and constraint handling. To overcome these challenges, a hybrid FAGA algorithm is proposed, combining the strengths of both algorithms. The hybrid algorithm is validated by solving unconstrained benchmark functions and constrained optimization problems, including design engineering problems and combinatorial problems such as the 0-1 Knapsack Problem. The proposed algorithm delivers improved solution accuracy and computational efficiency compared to conventional optimization algorithm. This paper outlines the development and structure of the hybrid algorithm and demonstrates its effectiveness in handling complex optimization problems.
- Abstract(参考訳): 本稿では、制約付き最適化問題において、ファイアフライアルゴリズム(FA)や遺伝的アルゴリズム(GA)といったアルゴリズムが直面する課題に対処する。
どちらのアルゴリズムも制約のない問題に対してうまく機能するが、探索、エクスプロイト、制約処理の制限によって制約が導入されると、その効果は低下する。
これらの課題を克服するために,両アルゴリズムの強みを組み合わせたハイブリッドFAGAアルゴリズムを提案する。
ハイブリッドアルゴリズムは、設計工学問題や0-1 Knapsack問題などの組合せ問題を含む、制約のないベンチマーク関数と制約付き最適化問題を解くことによって検証される。
提案アルゴリズムは,従来の最適化アルゴリズムに比べて解の精度と計算効率が向上した。
本稿では,ハイブリッドアルゴリズムの開発と構造について概説し,複雑な最適化問題に対処する上での有効性を示す。
関連論文リスト
- Benchmarking Randomized Optimization Algorithms on Binary, Permutation, and Combinatorial Problem Landscapes [8.337399973715396]
RHC(Randomized Hill Climbing)、SA(Simulated Annealing)、GA(Genematic Algorithms)、MIMIC(MIMIC)の4つのランダム化最適化アルゴリズムの性能を評価する。
これらのアルゴリズムをベンチマーク適合度関数を用いて比較し,各問題カテゴリの課題と要件を明らかにする。
本研究は,ソリューションの品質,収束速度,計算コスト,堅牢性など,主要な性能指標に基づいて,各アルゴリズムの有効性を解析する。
論文 参考訳(メタデータ) (2025-01-21T23:13:01Z) - BMR and BWR: Two simple metaphor-free optimization algorithms for solving real-life non-convex constrained and unconstrained problems [0.5755004576310334]
本稿では,Best-MeanRandom (BMR) とBest-Worst-Random (BWR) の2つの単純な最適化アルゴリズムについて述べる。
論文 参考訳(メタデータ) (2024-07-15T18:11:47Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳(メタデータ) (2023-07-17T20:11:56Z) - Hybrid ACO-CI Algorithm for Beam Design problems [0.4397520291340694]
The novel hybrid version of the Ant colony optimization (ACO) method was developed using the sample space reduction technique of the Cohort Intelligence (CI) algorithm。
提案した研究は、工学領域や医療問題を含む現実世界の応用について検討することができる。
論文 参考訳(メタデータ) (2023-03-29T04:37:14Z) - A socio-physics based hybrid metaheuristic for solving complex
non-convex constrained optimization problems [0.19662978733004596]
提案した制約付き最適化手法を批判的に検証する必要がある。
探索は、多数の線形制約と非型不等式を含むため、異なる。
最初のCIベースのアルゴリズムには、自己適応型ペナルティアプローチが組み込まれている。
第2のアルゴリズムはCI-SAPFと未来の参照特性を組み合わせたものである。
論文 参考訳(メタデータ) (2022-09-02T07:46:46Z) - A Constrained Optimization Approach to Bilevel Optimization with
Multiple Inner Minima [49.320758794766185]
そこで本研究では,両レベル問題を等価な制約付き最適化に変換する手法を提案する。
このようなアプローチには、(a)多重内極小問題への対処、(b)ジャコビアン計算のない完全一階効率など、いくつかの利点がある。
論文 参考訳(メタデータ) (2022-03-01T18:20:01Z) - 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) - Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。
両レベル最適化のための2つの新しいアルゴリズムを提案する。
両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文 参考訳(メタデータ) (2021-06-08T21:05:30Z) - A Two-stage Framework and Reinforcement Learning-based Optimization
Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。
スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。
その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文 参考訳(メタデータ) (2021-03-10T03:16:12Z) - Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
適応性は現代最適化理論において重要であるが、研究されていない性質である。
提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
論文 参考訳(メタデータ) (2020-02-13T05:42:27Z) - Quantum approximate algorithm for NP optimization problems with
constraints [12.294570891467604]
本稿では,異なる制約型を等式,線形不等式,任意の形式に定式化する。
そこで本研究では,NP最適化問題の解法としてQAOAフレームワークに適合する制約符号化方式を提案する。
提案手法の有効性と有効性を示す。
論文 参考訳(メタデータ) (2020-02-01T04:45:41Z)
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。