論文の概要: Accelerating Evolution: Integrating PSO Principles into Real-Coded Genetic Algorithm Crossover
- arxiv url: http://arxiv.org/abs/2505.03217v1
- Date: Tue, 06 May 2025 06:17:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-07 18:50:11.234373
- Title: Accelerating Evolution: Integrating PSO Principles into Real-Coded Genetic Algorithm Crossover
- Title（参考訳）: 進化の加速:PSO原理を実コード型遺伝的アルゴリズムのクロスオーバーに統合する
- Authors: Xiaobo Jin, JiaShu Tu,
- Abstract要約: 本研究では、Particle Swarm Optimization-inspired Crossover (PSOX) という、革新的なクロスオーバー演算子を紹介する。
PSOXは、現在のグローバルベストソリューションと、複数の世代にわたる過去の最適ソリューションの両方からのガイダンスを独自に取り入れている。
この機構により,探索空間の有望な領域への収束を同時に促進しながら,個体数の多様性を維持することができる。
- 参考スコア（独自算出の注目度）: 2.854482269849925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study introduces an innovative crossover operator named Particle Swarm Optimization-inspired Crossover (PSOX), which is specifically developed for real-coded genetic algorithms. Departing from conventional crossover approaches that only exchange information between individuals within the same generation, PSOX uniquely incorporates guidance from both the current global best solution and historical optimal solutions across multiple generations. This novel mechanism enables the algorithm to maintain population diversity while simultaneously accelerating convergence toward promising regions of the search space. The effectiveness of PSOX is rigorously evaluated through comprehensive experiments on 15 benchmark test functions with diverse characteristics, including unimodal, multimodal, and highly complex landscapes. Comparative analysis against five state-of-the-art crossover operators reveals that PSOX consistently delivers superior performance in terms of solution accuracy, algorithmic stability, and convergence speed, especially when combined with an appropriate mutation strategy. Furthermore, the study provides an in-depth investigation of how different mutation rates influence PSOX's performance, yielding practical guidelines for parameter tuning when addressing optimization problems with varying landscape properties.
- Abstract（参考訳）: 本研究では、実コード型遺伝的アルゴリズムに特化して開発された、Particle Swarm Optimization-inspired Crossover (PSOX)という、革新的なクロスオーバー演算子を紹介した。
同じ世代内の個人間でのみ情報を交換する従来のクロスオーバーアプローチとは別に、PSOXは、現在のグローバルベストソリューションと、複数の世代にわたる歴史的最適ソリューションの両方からのガイダンスを独自に取り入れている。
この機構により,探索空間の有望な領域への収束を同時に促進しながら,個体数の多様性を維持することができる。
PSOXの有効性は、単調、マルチモーダル、高度に複雑な風景など、様々な特徴を持つ15のベンチマークテスト関数に関する総合的な実験を通じて、厳密に評価されている。
5つの最先端のクロスオーバー演算子との比較分析により、PSOXは、特に適切な突然変異戦略と組み合わせた場合、解の精度、アルゴリズムの安定性、収束速度の点で、常に優れた性能を提供することが明らかになった。
さらに,PSOXの性能に異なる変異率がどう影響するかを詳細に検討し,ランドスケープ特性の異なる最適化問題に対処する際のパラメータチューニングの実践的ガイドラインを提示する。
関連論文リスト
- Constrained Hybrid Metaheuristic Algorithm for Probabilistic Neural Networks Learning [0.3686808512438362]
本研究では、確率論的ニューラルネットワーク(PNN)のトレーニングを強化するためのハイブリッドメタヒューリスティックアルゴリズムの可能性について検討する。
勾配に基づくアプローチのような伝統的な学習手法は、しばしば高次元で不確実な環境を最適化するのに苦労する。
本稿では,複数の個体群に基づく最適化手法を組み合わせた制約付きハイブリッドメタヒューリスティック(cHM)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-01-26T19:49:16Z) - Heterogeneous Multi-Agent Reinforcement Learning for Distributed Channel Access in WLANs [47.600901884970845]
本稿では,マルチエージェント強化学習(MARL)を用いて,無線ローカルネットワークにおける分散チャネルアクセスに対処する。
特に、エージェントがモデルトレーニングに価値ベースまたはポリシーベースの強化学習アルゴリズムを不均一に採用する、より実践的なケースについて考察する。
我々は、分散実行パラダイムを用いた集中型トレーニングを採用し、異種エージェントの協調を可能にする、異種MARLトレーニングフレームワークQPMIXを提案する。
論文 参考訳（メタデータ） (2024-12-18T13:50:31Z) - MoME: Mixture of Multimodal Experts for Cancer Survival Prediction [46.520971457396726]
生存分析は、難しい課題として、全体スライド画像(WSI)とゲノムデータを総合的な意思決定のために統合する必要がある。
従来の手法ではコアテンション(co-attention)方式が用いられており、この手法は両方のモダリティから特徴を分離した後にのみ融合する。
符号化と融合を同時に行うBiased Progressive Clever(BPE)パラダイムを提案する。
論文 参考訳（メタデータ） (2024-06-14T03:44:33Z) - Embedded feature selection in LSTM networks with multi-objective
evolutionary ensemble learning for time series forecasting [49.1574468325115]
本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。
本手法はLSTMの重みと偏りを分割的に最適化する。
イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
論文 参考訳（メタデータ） (2023-12-29T08:42:10Z) - Stochastic Gradient Descent-Ascent: Unified Theory and New Efficient
Methods [73.35353358543507]
SGDA(Gradient Descent-Ascent)は、min-max最適化と変分不等式問題(VIP)を解くための最も顕著なアルゴリズムの1つである。
本稿では,多種多様な降下指数法を網羅した統合収束解析を提案する。
本研究では,新しい分散化手法 (L-SVRGDA) や,新しい分散圧縮方式 (QSGDA, DIANA-SGDA, VR-DIANA-SGDA) ,座標ランダム化方式 (SEGA-SGDA) など,SGDAの新しい変種を開発した。
論文 参考訳（メタデータ） (2022-02-15T09:17:39Z) - VNE Strategy based on Chaotic Hybrid Flower Pollination Algorithm
Considering Multi-criteria Decision Making [12.361459296815559]
仮想ネットワーク埋め込み (Virtual Network Embedding, VNE) 問題に対するハイブリッド花の受粉アルゴリズムの設計戦略について論じる。
クロス操作は、グローバル検索を完了させるためにクロスポリン化操作を置き換えるために使用される。
従来のフィットネスベースの選択戦略の補完としてライフサイクルメカニズムが導入されている。
論文 参考訳（メタデータ） (2022-02-07T00:57:00Z) - Chaos inspired Particle Swarm Optimization with Levy Flight for Genome
Sequence Assembly [0.0]
本稿では、置換最適化問題に対処するため、新しいPSOの変種を提案する。
PSOはChaos and Levy Flight (ランダムウォークアルゴリズム)と統合され、アルゴリズムの探索と利用能力のバランスをとる。
論文で提案する他のPSOの変種と比較して,提案手法の性能を評価するための実証実験を行った。
論文 参考訳（メタデータ） (2021-10-20T15:24:27Z) - 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) - cMLSGA: A Co-Evolutionary Multi-Level Selection Genetic Algorithm for
Multi-Objective Optimization [0.0]
MLSGA(Multi-Level Selection Genetic Algorithm)は、すでに様々な問題に対して優れた性能を示している。
本稿では,共進化を個人ではなく集団間の競争として定義する,個別の共進化機構を提案する。
論文 参考訳（メタデータ） (2021-04-22T13:52:21Z) - AT-MFCGA: An Adaptive Transfer-guided Multifactorial Cellular Genetic
Algorithm for Evolutionary Multitasking [17.120962133525225]
本稿では,進化的マルチタスク環境を扱うための適応メタヒューリスティックアルゴリズムを提案する。
AT-MFCGAはセルラーオートマトンを利用して、検討中の最適化問題の知識を交換する機構を実装している。
論文 参考訳（メタデータ） (2020-10-08T12:00:10Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z)
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。