Fugu-MT 論文翻訳(概要): A Novel Two-Phase Cooperative Co-evolution Framework for Large-Scale Global Optimization with Complex Overlapping

論文の概要: A Novel Two-Phase Cooperative Co-evolution Framework for Large-Scale Global Optimization with Complex Overlapping

arxiv url: http://arxiv.org/abs/2503.21797v1
Date: Sun, 23 Mar 2025 13:21:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-31 19:09:59.381707
Title: A Novel Two-Phase Cooperative Co-evolution Framework for Large-Scale Global Optimization with Complex Overlapping
Title（参考訳）: 複雑重なり合う大規模大域最適化のための2相協調共進化フレームワーク
Authors: Wenjie Qiu, Hongshu Guo, Zeyuan Ma, Yue-Jiao Gong,
Abstract要約: 複雑な重なり合う大規模グローバル最適化問題に対処する新しい2相協調進化フレームワークを提案する。重なり合う問題の解法は、その数学的性質を基礎として、フレームワーク内に埋め込まれている。大規模な実験により、我々のフレームワーク内でインスタンス化されたアルゴリズムは、既存のアルゴリズムを著しく上回っていることが示された。
参考スコア（独自算出の注目度）: 8.839347987566336
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cooperative Co-evolution, through the decomposition of the problem space, is a primary approach for solving large-scale global optimization problems. Typically, when the subspaces are disjoint, the algorithms demonstrate significantly both effectiveness and efficiency compared to non-decomposition algorithms. However, the presence of overlapping variables complicates the decomposition process and adversely affects the performance of cooperative co-evolution. In this study, we propose a novel two-phase cooperative co-evolution framework to address large-scale global optimization problems with complex overlapping. An effective method for decomposing overlapping problems, grounded in their mathematical properties, is embedded within the framework. Additionally, a customizable benchmark for overlapping problems is introduced to extend existing benchmarks and facilitate experimentation. Extensive experiments demonstrate that the algorithm instantiated within our framework significantly outperforms existing algorithms. The results reveal the characteristics of overlapping problems and highlight the differing strengths of cooperative co-evolution and non-decomposition algorithms. Our work is open-source and accessible at: https://github.com/GMC-DRL/HCC.
Abstract（参考訳）: 協調的共進化(cooperative co-evolution)は、問題空間の分解を通じて、大規模なグローバル最適化問題を解決するための主要なアプローチである。通常、部分空間が解離している場合、アルゴリズムは非分解アルゴリズムと比較して効率と効率の両方を著しく表す。しかし、重複変数の存在は分解過程を複雑にし、協調的共進化の性能に悪影響を及ぼす。本研究では,複雑な重なり合う大規模グローバル最適化問題に対処する,新しい2相協調進化フレームワークを提案する。重なり合う問題の解法は、その数学的性質を基礎として、フレームワーク内に埋め込まれている。さらに、既存のベンチマークを拡張し、実験を容易にするために、重複問題のためのカスタマイズ可能なベンチマークも導入されている。大規模な実験により、我々のフレームワーク内でインスタンス化されたアルゴリズムは、既存のアルゴリズムを著しく上回っていることが示された。その結果、重なり合う問題の特徴を明らかにし、協調的共進化アルゴリズムと非分解アルゴリズムの異なる強度を強調した。私たちの作業はオープンソースで、https://github.com/GMC-DRL/HCCでアクセスできます。

関連論文リスト

An Enhanced Differential Grouping Method for Large-Scale Overlapping Problems [23.17606455044122]
OEDGと呼ばれる大規模重複問題に対する2段階強化グループ化手法を提案する。第一段階では、OEDGは有限差分原理に基づくグループ化法を用いて、すべての部分成分と共有変数を識別する。第2段階では,サブコンポーネント結合検出 (SUD) とサブコンポーネント検出 (SD) という2つのグループ化改善手法を提案し,グループ化結果を向上・改善する。
論文参考訳（メタデータ） (2024-04-16T12:38:03Z)
ALEXR: An Optimal Single-Loop Algorithm for Convex Finite-Sum Coupled Compositional Stochastic Optimization [53.14532968909759]
ALEXRと呼ばれる,効率的な単ループプリマルデュアルブロックコーディネートアルゴリズムを提案する。本研究では, ALEXR の凸面および強凸面の収束速度を滑らか性および非滑らか性条件下で確立する。本稿では,ALEXRの収束速度が,検討されたcFCCO問題に対する1次ブロック座標アルゴリズムの中で最適であることを示すために,より低い複雑性境界を示す。
論文参考訳（メタデータ） (2023-12-04T19:00:07Z)
Decentralized Multi-Level Compositional Optimization Algorithms with Level-Independent Convergence Rate [26.676582181833584]
分散化されたマルチレベル最適化は、マルチレベル構造と分散通信のために困難である。マルチレベル構成問題を最適化する2つの新しい分散最適化アルゴリズムを開発した。
論文参考訳（メタデータ） (2023-06-06T00:23:28Z)
Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
論文参考訳（メタデータ） (2023-02-24T18:41:48Z)
Communication-Efficient Federated Bilevel Optimization with Local and Global Lower Level Problems [118.00379425831566]
我々はFedBiOAccという通信効率の高いアルゴリズムを提案する。我々は、FedBiOAcc-Localがこの種の問題に対して同じ速度で収束していることを証明する。実験結果から,アルゴリズムの性能が向上した。
論文参考訳（メタデータ） (2023-02-13T21:28:53Z)
On the Complexity of a Practical Primal-Dual Coordinate Method [63.899427212054995]
ランダム・座標降下法(PURE-CD)を用いた原始双対アルゴリズムの複雑性境界を証明した。バイマックス性能問題を解くための優れた外挿が得られることが示されている。
論文参考訳（メタデータ） (2022-01-19T16:14:27Z)
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)
Manifold Interpolation for Large-Scale Multi-Objective Optimization via Generative Adversarial Networks [12.18471608552718]
大規模多目的最適化問題(LSMOP)は、数百から数千の決定変数と複数の矛盾する目的を含むことを特徴とする。これまでの研究では、これらの最適解は低次元空間の多様体構造に一様に分布していることが示されている。本研究では, 生成逆数ネットワーク(GAN)に基づく多様体フレームワークを提案し, 多様体を学習し, 高品質な解を生成する。
論文参考訳（メタデータ） (2021-01-08T09:38:38Z)
Efficient Consensus Model based on Proximal Gradient Method applied to Convolutional Sparse Problems [2.335152769484957]
我々は、勾配近似(PG)アプローチに基づく効率的なコンセンサスアルゴリズムの理論解析を導出し、詳述する。提案アルゴリズムは、異常検出タスクに対する別の特別な畳み込み問題にも適用できる。
論文参考訳（メタデータ） (2020-11-19T20:52:48Z)
A Multi-Agent Primal-Dual Strategy for Composite Optimization over Distributed Features [52.856801164425086]
目的関数を滑らかな局所関数と凸(おそらく非滑らか)結合関数の和とするマルチエージェント共有最適化問題について検討する。
論文参考訳（メタデータ） (2020-06-15T19:40:24Z)
Towards Solving Large-scale Expensive Optimization Problems Efficiently Using Coordinate Descent Algorithm [3.1600708674008393]
計算予算が限られているLSEGO問題に対処するために,修正された座標 Descent アルゴリズム (MCD) を提案する。提案アルゴリズムは,関心領域の探索と,指数速度で半分に折り畳むことで検索空間の縮小という,2つの主要なステップの恩恵を受ける。提案アルゴリズムは,次元1000の20個のベンチマーク関数上でのデルタグルーピングと協調的共進化との比較を行った。
論文参考訳（メタデータ） (2020-03-07T22:48:38Z)

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。