論文の概要: Underdamped Particle Swarm Optimization
- arxiv url: http://arxiv.org/abs/2503.11524v1
- Date: Fri, 14 Mar 2025 15:47:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-17 13:08:10.494841
- Title: Underdamped Particle Swarm Optimization
- Title（参考訳）: 粒子群最適化
- Authors: Matías Ezequiel Hernández Rodríguez,
- Abstract要約: Underdamped Particle Swarm Optimization (UEPS) は、Particle Swarm Optimization (PSO) アルゴリズムとアンダーダムシステムの動的挙動の両方に着想を得た新しいメタヒューリスティックである。
提案したメタヒューリスティックは, ベンチマーク関数と古典工学的問題を用いて評価し, 高い堅牢性と効率性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: This article presents Underdamped Particle Swarm Optimization (UEPS), a novel metaheuristic inspired by both the Particle Swarm Optimization (PSO) algorithm and the dynamic behavior of an underdamped system. The underdamped motion acts as an intermediate solution between undamped systems, which oscillate indefinitely, and overdamped systems, which stabilize without oscillation. In the context of optimization, this type of motion allows particles to explore the search space dynamically, alternating between exploration and exploitation, with the ability to overshoot the optimal solution to explore new regions and avoid getting trapped in local optima. First, we review the concept of damped vibrations, an essential physical principle that describes how a system oscillates while losing energy over time, behaving in an underdamped, overdamped, or critically damped manner. This understanding forms the foundation for applying these concepts to optimization, ensuring a balanced management of exploration and exploitation. Furthermore, the classical PSO algorithm is discussed, highlighting its fundamental features and limitations, providing the necessary context to understand how the underdamped behavior improves PSO performance. The proposed metaheuristic is evaluated using benchmark functions and classic engineering problems, demonstrating its high robustness and efficiency.
- Abstract（参考訳）: 本稿では, 粒子群最適化 (PSO) アルゴリズムに触発された新しいメタヒューリスティックであるアンダーダムド粒子群最適化 (UEPS) と, アンダーダムドシステムの動的挙動について述べる。
過度に振動する無損傷系と過度に振動する系の間には中間的な溶液として作用し、振動なしで安定する。
最適化の文脈では、粒子は探索空間を動的に探索し、探索と搾取を交互に行うことができ、新しい領域を探索するために最適な解をオーバーシュートし、局所的なオプティマに閉じ込められるのを避けることができる。
まず、減衰振動の概念を概観する。これは、システムが時間の経過とともにエネルギーを失い、過度に損傷を受けたり、過度に減衰されたりしながら、どのように振動するかを記述する、基本的な物理原理である。
この理解は、これらの概念を最適化に適用し、探索と搾取のバランスの取れた管理を保証する基盤を形成する。
さらに, 従来のPSOアルゴリズムについて考察し, 基礎的特徴と限界を強調し, アンダーダムの挙動がPSO性能をどう改善するかを理解するために必要なコンテキストを提供する。
提案したメタヒューリスティックは, ベンチマーク関数と古典工学的問題を用いて評価し, 高い堅牢性と効率性を示す。
関連論文リスト
- Understanding Optimization in Deep Learning with Central Flows [53.66160508990508]
RMSの暗黙的な振る舞いは、微分方程式の「中央流:」によって明示的に捉えられることを示す。
これらのフローは、汎用ニューラルネットワークの長期最適化軌道を経験的に予測できることを示す。
論文 参考訳（メタデータ） (2024-10-31T17:58:13Z) - Optimized generation of entanglement based on the f-STIRAP technique [0.9136613591557773]
共振モードに結合した2つの量子ビット間の最大絡み合った状態(ベル状態)を生成することを検討する。
我々は,非断熱リークとシステム消散が絡み合い発生に及ぼす影響を定量化する。
最適プロファイル,操作時間,最大絡み合いの解析式が得られた。
論文 参考訳（メタデータ） (2024-03-14T13:33:00Z) - Efficient Real-time Path Planning with Self-evolving Particle Swarm
Optimization in Dynamic Scenarios [6.951981832970596]
操作形式(TOF)は、粒子の操作をテンソル操作に変換する。
自己進化型粒子群最適化(SEPSO)を開発した。
SEPSOはより優れたパスを生成でき、リアルタイムのパフォーマンスがかなり向上する。
論文 参考訳（メタデータ） (2023-08-20T05:31:48Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - PAO: A general particle swarm algorithm with exact dynamics and
closed-form transition densities [0.0]
粒子群最適化(PSO)アプローチは多くの応用分野において非常に効果的であることが証明されている。
本研究では, PSOアルゴリズムの高一般性, 解釈可能な変種であるパーティクル・アトラクター・アルゴリズム (PAO) を提案する。
論文 参考訳（メタデータ） (2023-04-28T16:19:27Z) - Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。
MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する
我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文 参考訳（メタデータ） (2022-10-24T16:54:18Z) - Born-Infeld (BI) for AI: Energy-Conserving Descent (ECD) for
Optimization [0.0]
強混合(カオス)状態におけるエネルギー保存ハミルトン力学に基づくフレームワークとその重要な性質を解析的・数値的に紹介する。
プロトタイプは、目的関数に依存するボルン=インフェルド力学の離散化を確立する。
論文 参考訳（メタデータ） (2022-01-26T19:00:05Z) - Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian
Modeling [68.69431580852535]
サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。
我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。
我々は2つの異なる社会問題に対してアルゴリズムを実行する。
論文 参考訳（メタデータ） (2021-07-07T03:57:22Z) - Directed particle swarm optimization with Gaussian-process-based
function forecasting [15.733136147164032]
パーティクルスワム最適化 (PSO) は、探索空間を囲む一組の候補解を、ランダム化されたステップ長を持つ最もよく知られたグローバルおよびローカルな解へ移動させる反復探索法である。
本アルゴリズムは探索的・搾取的行動に対して望ましい特性が得られることを示す。
論文 参考訳（メタデータ） (2021-02-08T13:02:57Z) - Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
視覚SLAMシステムのための新しい最適化バックボーンを提案する。
従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。
我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
論文 参考訳（メタデータ） (2020-11-02T18:02:26Z) - Dynamic Regret of Policy Optimization in Non-stationary Environments [120.01408308460095]
我々は,POWERとPOWER++の2つのモデルフリーポリシー最適化アルゴリズムを提案し,その動的後悔の保証を確立する。
我々はPOWER++が動的後悔の第2の構成要素であるPOWERよりも優れており、予測によって非定常性に積極的に適応していることを示す。
我々の知識を最大限に活用するために、我々の研究は、非定常環境におけるモデルフリーなRLアルゴリズムの、最初の動的後悔分析である。
論文 参考訳（メタデータ） (2020-06-30T23:34:37Z)
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。