論文の概要: A Perturbation and Speciation-Based Algorithm for Dynamic Optimization Uninformed of Change
- arxiv url: http://arxiv.org/abs/2505.11634v1
- Date: Fri, 16 May 2025 18:53:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 14:57:10.753589
- Title: A Perturbation and Speciation-Based Algorithm for Dynamic Optimization Uninformed of Change
- Title（参考訳）: 変化を伴わない動的最適化のための摂動・発散に基づくアルゴリズム
- Authors: Federico Signorelli, Anil Yaman,
- Abstract要約: Perturbation and Speciation-Based Particle Swarm Optimization (PSPSO) は、非インフォームド動的最適化のための頑健なアルゴリズムである。
PSPSOは、投射に基づくニチング、不活性化、DOPを処理するための新しいランダム摂動機構を組み合わせたものである。
PSPSOは、一般化された移動ピークベンチマークにおいて、高次元性または高周波数変化を持つ関数の強度を示す。
- 参考スコア（独自算出の注目度）: 1.4425878137951238
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic optimization problems (DOPs) are challenging due to their changing conditions. This requires algorithms to be highly adaptable and efficient in terms of finding rapidly new optimal solutions under changing conditions. Traditional approaches often depend on explicit change detection, which can be impractical or inefficient when the change detection is unreliable or unfeasible. We propose Perturbation and Speciation-Based Particle Swarm Optimization (PSPSO), a robust algorithm for uninformed dynamic optimization without requiring the information of environmental changes. The PSPSO combines speciation-based niching, deactivation, and a newly proposed random perturbation mechanism to handle DOPs. PSPSO leverages a cyclical multi-population framework, strategic resource allocation, and targeted noisy updates, to adapt to dynamic environments. We compare PSPSO with several state-of-the-art algorithms on the Generalized Moving Peaks Benchmark (GMPB), which covers a variety of scenarios, including simple and multi-modal dynamic optimization, frequent and intense changes, and high-dimensional spaces. Our results show that PSPSO outperforms other state-of-the-art uninformed algorithms in all scenarios and leads to competitive results compared to informed algorithms. In particular, PSPSO shows strength in functions with high dimensionality or high frequency of change in the GMPB. The ablation study showed the importance of the random perturbation component.
- Abstract（参考訳）: 動的最適化問題 (DOP) は, 条件の変化により困難である。
これによりアルゴリズムは、変化する条件下で、迅速に新しい最適解を見つけるという観点から、高度に適応し、効率的である必要がある。
従来のアプローチは、明示的な変更検出に依存することが多く、変更検出が信頼できない、あるいは不可能な場合に、非現実的または非効率になる可能性がある。
本研究では, 環境変化の情報を必要とせず, 動的最適化のための頑健なアルゴリズムとして, 摂動・偏差に基づく粒子群最適化 (PSPSO) を提案する。
PSPSOは、分化に基づくニチング、不活性化、DOPを処理するための新しいランダム摂動機構を組み合わせたものである。
PSPSOは、動的環境に適応するために、循環的なマルチポピュレーションフレームワーク、戦略的リソース割り当て、およびターゲットとなるノイズの更新を利用する。
PSPSOとGMPB(Generalized Moving Peaks Benchmark)のいくつかの最先端アルゴリズムを比較し、単純かつマルチモーダルな動的最適化、頻繁かつ激しい変化、高次元空間を含む様々なシナリオを網羅する。
以上の結果から,PSPSOはすべてのシナリオにおいて他の最先端の非インフォームドアルゴリズムよりも優れており,インフォームドアルゴリズムと比較して競合する結果が得られた。
特に、PSPSOはGMPBの高次元性や高周波数変化を持つ関数の強度を示す。
アブレーション試験では,ランダム摂動成分の重要性が示された。
関連論文リスト
- Quantum Inspired Chaotic Salp Swarm Optimization for Dynamic Optimization [4.44483539967295]
我々は量子コンピューティングの原理を統合するQSSOとして知られるSSAの変種について研究する。
カオス演算子は、変化への対応と個々の検索可能性の向上を保証するために量子コンピューティングで使用される。
約束通り、導入されたQCSSOは、DOPのライバルアルゴリズムとして発見される。
論文 参考訳（メタデータ） (2024-01-21T02:59:37Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - On the Impact of Operators and Populations within Evolutionary
Algorithms for the Dynamic Weighted Traveling Salesperson Problem [13.026567958569965]
動的環境におけるノード重み付け販売員問題(W-TSP)について検討する。
問題の動的設定では、時間とともにTSPツアーの一部として収集されるアイテムが変更される。
最初の実験では,このような変化がツアーの最適化に与える影響について検討した。
論文 参考訳（メタデータ） (2023-05-30T11:39:49Z) - Vector Autoregressive Evolution for Dynamic Multi-Objective Optimisation [7.5104598146227]
動的多目的最適化(DMO)は、様々な環境において複数の目的を持つ最適化問題を扱う。
本稿では,DMOの環境変化に対応するために,ベクトル自己回帰(VAR)と環境対応ハイパーミューテーションからなるベクトル自己回帰進化(VARE)を提案する。
論文 参考訳（メタデータ） (2023-05-22T06:24:25Z) - Reproducibility and Baseline Reporting for Dynamic Multi-objective
Benchmark Problems [4.859986264602551]
本稿では,DMOPのパラメータのシミュレーション実験について述べる。
動的アルゴリズム評価のためのベースラインスキーマを導入する。
目的構築された動的アルゴリズムが有用であるために必要な最小限の能力を確立することができる。
論文 参考訳（メタデータ） (2022-04-08T15:50:17Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z) - 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) - Single- and Multi-Objective Evolutionary Algorithms for the Knapsack
Problem with Dynamically Changing Constraints [13.896724650508087]
古典的knapsack問題に対する単目的・多目的ベースライン進化アルゴリズムについて検討する。
この結果から, 動的変化を考慮に入れた集団を用いた多目的アプローチは, 多くのベンチマークシナリオにおいて明らかな優位性を有することが示された。
論文 参考訳（メタデータ） (2020-04-27T03:50:24Z) - 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)
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。