論文の概要: Modified FOX Optimizer for Solving optimization problems

• arxiv url: http://arxiv.org/abs/2502.20027v1
• Date: Thu, 27 Feb 2025 12:11:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:54:07.367125
• Title: Modified FOX Optimizer for Solving optimization problems
• Title（参考訳）: 最適化問題の解法のための修正FOX最適化器
• Authors: Dler O. Hasan, Hardi M. Mohammed, Zrar Khalid Abdul,
• Abstract要約: 本研究は, 探索・平衡探索・エクスプロイトを強化するため, 改良型FOX (mFOX) を提案する。 mFOXアルゴリズムの性能は、23の古典的ベンチマーク関数上の12のよく知られたアルゴリズムに対して評価される。 mFOXは、一様問題、制約問題、高次元問題を含む4つの工学的問題に効果的に対処する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The FOX optimizer, inspired by red fox hunting behavior, is a powerful algorithm for solving real-world and engineering problems. However, despite balancing exploration and exploitation, it can prematurely converge to local optima, as agent positions are updated solely based on the current best-known position, causing all agents to converge on one location. This study proposes the modified FOX optimizer (mFOX) to enhance exploration and balance exploration and exploitation in three steps. First, the Oppositional-Based Learning (OBL) strategy is used to improve the initial population. Second, control parameters are refined to achieve a better balance between exploration and exploitation. Third, a new update equation is introduced, allowing agents to adjust their positions relative to one another rather than relying solely on the best-known position. This approach improves exploration efficiency without adding complexity. The mFOX algorithm's performance is evaluated against 12 well-known algorithms on 23 classical benchmark functions, 10 CEC2019 functions, and 12 CEC2022 functions. It outperforms competitors in 74% of the classical benchmarks, 60% of the CEC2019 benchmarks, and 58% of the CEC2022 benchmarks. Additionally, mFOX effectively addresses four engineering problems. These results demonstrate mFOX's strong competitiveness in solving complex optimization tasks, including unimodal, constrained, and high-dimensional problems.
• Abstract（参考訳）: FOXオプティマイザは、赤いキツネの狩猟行動にインスパイアされ、現実世界と工学の問題を解決するための強力なアルゴリズムである。 しかし、探索と搾取のバランスにもかかわらず、エージェントの位置は現在の最もよく知られた位置に基づいてのみ更新され、全てのエージェントが1つの場所に収束するので、早期に局所最適に収束する可能性がある。 本研究は, 3段階の探索・平衡探索・利用を促進するため, 改良型FOXオプティマイザ (mFOX) を提案する。 第一に、OBL(Oppositional-Based Learning)戦略は、初期人口を改善するために用いられる。 第二に、探索と搾取のバランスを改善するために制御パラメータが洗練される。 第3に、新しい更新方程式が導入され、エージェントは最もよく知られた位置のみに頼るのではなく、互いに相対的な位置を調整することができる。 このアプローチは、複雑さを増すことなく探索効率を向上させる。 mFOXアルゴリズムの性能は、23の古典的ベンチマーク関数、10のCEC2019関数、12のCEC2022関数でよく知られた12のアルゴリズムに対して評価される。 従来のベンチマークの74%、CEC2019ベンチマークの60%、CEC2022ベンチマークの58%でライバルを上回っている。 さらに、mFOXは4つの工学的問題に効果的に対処する。 これらの結果から、mFOXは単調、制約付き、高次元問題を含む複雑な最適化タスクを解く上での強い競争力を示している。

関連論文リスト

• An Enhancement of Cuckoo Search Algorithm for Optimal Earthquake Evacuation Space Allocation in Intramuros, Manila City [0.0]
  Cuckoo Search Algorithm (ECSA) は複雑な最適化問題を解くために提案されている。 アルゴリズムの性能を13のベンチマーク関数で評価した。 ECSAはその後、マニラのイントラミューロスで地震避難スペース割り当てを最適化するために適用される。
  論文  参考訳（メタデータ） (2025-02-19T07:01:23Z)
• MRSO: Balancing Exploration and Exploitation through Modified Rat Swarm Optimization for Global Optimization [3.7503163440313463]
  本研究では,探索と搾取のバランスを高めるため,MRSO(Modified Rat Swarm)を導入する。 MRSOは探索効率と耐久性を改善するために独自の改良を加えており、溶接ビーム、圧力容器、ギヤトレインの設計といった挑戦的な工学的問題に適合している。 CEC 2019ベンチマークでは、MRSOは10機能中6機能で標準RSOよりも優れており、優れたグローバル検索能力を示している。
  論文  参考訳（メタデータ） (2024-09-20T14:52:25Z)
• In Search of Excellence: SHOA as a Competitive Shrike Optimization Algorithm for Multimodal Problems [4.939986309170004]
  提案アルゴリズムの主なインスピレーションは、自然界におけるシロチョウの群れ行動から取られたものである。 最適化探索と利用の2つの部分は、シロイヌナズナの繁殖と食物の探索をモデル化して設計されている。 本論文は,SHOAが最適化を行うための数学的モデルである。
  論文  参考訳（メタデータ） (2024-07-09T11:19:37Z)
• An Enhanced Grey Wolf Optimizer with Elite Inheritance and Balance Search Mechanisms [13.754649370512924]
  グレイウルフ(GWO)は、灰色のオオカミの社会的リーダーシップ階層と狩猟メカニズムに触発された新しいメタヒューリスティックアルゴリズムとして認識されている。 オリジナルのGWOでは、その基本的な最適化メカニズムに2つの重大な欠陥がある。 エリート継承機構とバランス探索機構を備えた強化されたグレイウルフを提案する。
  論文  参考訳（メタデータ） (2024-04-09T03:28:00Z)
• Towards General and Efficient Online Tuning for Spark [55.30868031221838]
  本稿では,3つの問題を同時に処理できる汎用的で効率的なSparkチューニングフレームワークを提案する。 我々は、このフレームワークを独立したクラウドサービスとして実装し、Tencentのデータプラットフォームに適用しました。
  論文  参考訳（メタデータ） (2023-09-05T02:16:45Z)
• VeLO: Training Versatile Learned Optimizers by Scaling Up [67.90237498659397]
  私たちは、ディープラーニングの成功の背後にある同じスケーリングアプローチを活用して、汎用性を学びます。 私たちは、パラメータの更新を取り込み出力する小さなニューラルネットワークであるディープラーニングのためのインジェクションをトレーニングします。 学習したメタトレーニングコード、関連するトレインテストデータ、およびvelo-code.ioのベースラインを備えた広範なベンチマークスイートをオープンソースとして公開しています。
  論文  参考訳（メタデータ） (2022-11-17T18:39:07Z)
• Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and Stability [67.8426046908398]
  汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。 本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
  論文  参考訳（メタデータ） (2022-04-08T20:46:16Z)
• ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
  微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。 この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。 特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
  論文  参考訳（メタデータ） (2021-10-10T09:35:15Z)
• The Archerfish Hunting Optimizer: a novel metaheuristic algorithm for global optimization [0.8315801422499861]
  グローバル最適化は、目的関数を最小化することにより、現実の問題を数値的にあるいは分析的に解決する。 我々はArcherfish Hunting (AHO)に基づくグローバルメタヒスティックアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-03T16:22:31Z)
• Incorporating Expert Prior in Bayesian Optimisation via Space Warping [54.412024556499254]
  大きな探索空間では、アルゴリズムは関数の最適値に達する前に、いくつかの低関数値領域を通過する。 このコールドスタートフェーズの1つのアプローチは、最適化を加速できる事前知識を使用することである。 本稿では,関数の事前分布を通じて,関数の最適性に関する事前知識を示す。 先行分布は、探索空間を最適関数の高確率領域の周りに拡張し、最適関数の低確率領域の周りに縮小するようにワープする。
  論文  参考訳（メタデータ） (2020-03-27T06:18:49Z)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。