論文の概要: Multi-objective Cat Swarm Optimization Algorithm based on a Grid System
- arxiv url: http://arxiv.org/abs/2502.19439v1
- Date: Sat, 22 Feb 2025 09:13:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-28 14:59:35.046175
- Title: Multi-objective Cat Swarm Optimization Algorithm based on a Grid System
- Title（参考訳）: グリッドシステムに基づく多目的キャットスワム最適化アルゴリズム
- Authors: Aram M. Ahmed, Bryar A. Hassan, Tarik A. Rashid, Kaniaw A. Noori, Soran Ab. M. Saeed, Omed H. Ahmed, Shahla U. Umar,
- Abstract要約: 本稿では,Grid-based Multi-objective Cat Swarm Optimization Algorithm (GMOCSO) と呼ばれるキャット群最適化アルゴリズムの多目的バージョンを提案する。
収束性と多様性の保存は、ロバストな結果を得るために、現代の多目的アルゴリズムによって追求される2つの主要な目標である。
- 参考スコア（独自算出の注目度）: 3.893824727358049
- License:
- Abstract: This paper presents a multi-objective version of the Cat Swarm Optimization Algorithm called the Grid-based Multi-objective Cat Swarm Optimization Algorithm (GMOCSO). Convergence and diversity preservation are the two main goals pursued by modern multi-objective algorithms to yield robust results. To achieve these goals, we first replace the roulette wheel method of the original CSO algorithm with a greedy method. Then, two key concepts from Pareto Archived Evolution Strategy Algorithm (PAES) are adopted: the grid system and double archive strategy. Several test functions and a real-world scenario called the Pressure vessel design problem are used to evaluate the proposed algorithm's performance. In the experiment, the proposed algorithm is compared with other well-known algorithms using different metrics such as Reversed Generational Distance, Spacing metric, and Spread metric. The optimization results show the robustness of the proposed algorithm, and the results are further confirmed using statistical methods and graphs. Finally, conclusions and future directions were presented..
- Abstract（参考訳）: 本稿では,Grid-based Multi-objective Cat Swarm Optimization Algorithm (GMOCSO) と呼ばれるキャット群最適化アルゴリズムの多目的バージョンを提案する。
収束性と多様性の保存は、ロバストな結果を得るために、現代の多目的アルゴリズムによって追求される2つの主要な目標である。
これらの目的を達成するために、我々は最初に元のCSOアルゴリズムのルーレットホイール法をグリード法で置き換える。
次に,Pareto Archived Evolution Strategy Algorithm (PAES) の2つの重要な概念が採用されている。
提案アルゴリズムの性能評価には,いくつかのテスト関数と,圧力容器設計問題と呼ばれる実世界のシナリオを用いる。
実験では,提案アルゴリズムを逆生成距離,スペーシング距離,スプレッド距離などの異なる指標を用いて,他のよく知られたアルゴリズムと比較した。
最適化の結果は,提案アルゴリズムのロバスト性を示し,統計的手法とグラフを用いてさらに検証を行った。
最後に、結論と今後の方向性が提示された。
と。
関連論文リスト
- A Novel Pareto-optimal Ranking Method for Comparing Multi-objective Optimization Algorithms [2.889178722750616]
本稿では,多目的最適化アルゴリズムの性能をランク付けする,新しいマルチメトリック比較手法を提案する。
パレートレベルでの貢献に基づいてアルゴリズムをランク付けする4つの異なる手法が提案されている。
この技術は科学と工学に広く応用されており、特に比較に複数のメトリクスが使用される分野において応用されている。
論文 参考訳（メタデータ） (2024-11-27T02:34:54Z) - A Novel Ranking Scheme for the Performance Analysis of Stochastic Optimization Algorithms using the Principles of Severity [9.310464457958844]
複数の単目的最適化問題に対してアルゴリズムをランク付けする新しいランキング方式を提案する。
アルゴリズムの結果は、ロバストなブートストラップに基づく仮説テスト手法を用いて比較される。
論文 参考訳（メタデータ） (2024-05-31T19:35:34Z) - Combining Kernelized Autoencoding and Centroid Prediction for Dynamic
Multi-objective Optimization [3.431120541553662]
本稿では,カーネル化された自己コード進化探索と遠近法に基づく予測を組み合わせた統一パラダイムを提案する。
提案手法は,多くの複雑なベンチマーク問題に対して,最先端の5つのアルゴリズムと比較する。
論文 参考訳（メタデータ） (2023-12-02T00:24:22Z) - 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) - On the Convergence of Distributed Stochastic Bilevel Optimization
Algorithms over a Network [55.56019538079826]
バイレベル最適化は、幅広い機械学習モデルに適用されている。
既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。
そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-06-30T05:29:52Z) - Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。
厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。
このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
論文 参考訳（メタデータ） (2021-11-29T15:10:09Z) - A novel multiobjective evolutionary algorithm based on decomposition and
multi-reference points strategy [14.102326122777475]
分解に基づく多目的進化アルゴリズム(MOEA/D)は、多目的最適化問題(MOP)を解く上で、極めて有望なアプローチであると考えられている。
本稿では,よく知られたPascoletti-Serafiniスキャラライゼーション法とマルチ参照ポイントの新たな戦略により,MOEA/Dアルゴリズムの改良を提案する。
論文 参考訳（メタデータ） (2021-10-27T02:07:08Z) - 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) - Dynamic Cat Swarm Optimization Algorithm for Backboard Wiring Problem [0.9990687944474739]
本稿では,動的キャット群最適化(Dynamic Cat Swarm Optimization)と呼ばれる,強力な群知能メタヒューリスティック最適化アルゴリズムを提案する。
提案アルゴリズムは,アルゴリズムの選択スキームと探索モードを変更することにより,これらの位相間の適切なバランスを与える新しい手法を提案する。
最適化の結果,提案アルゴリズムの有効性が示された。
論文 参考訳（メタデータ） (2021-04-27T19:41:27Z) - 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) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z)
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。