論文の概要: Optimizing Interplanetary Trajectories using Hybrid Meta-heuristic

• arxiv url: http://arxiv.org/abs/2505.12399v1
• Date: Sun, 18 May 2025 12:53:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.212444
• Title: Optimizing Interplanetary Trajectories using Hybrid Meta-heuristic
• Title（参考訳）: ハイブリッドメタヒューリスティックによる惑星間軌道の最適化
• Authors: Amin Abdollahi Dehkordi, Mehdi Neshat,
• Abstract要約: 本稿では,Grey Wolf Predators (GWO) 固有の制約に対処する高度なハイブリッド最適化 (GMPA) アルゴリズムを提案する。 GMPAは、Marine Algorithm(MPA)からGWOフレームワークに不可欠な機能を統合することで、探索とエクスプロイトバランスの強化による優れたパフォーマンスを実現する。 GMPAは従来のGWOや他の高度なメタヒューリスティックアルゴリズムに比べて優れた効果を示す。
• 参考スコア（独自算出の注目度）: 1.03590082373586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes an advanced hybrid optimization (GMPA) algorithm to effectively address the inherent limitations of the Grey Wolf Optimizer (GWO) when applied to complex optimization scenarios. Specifically, GMPA integrates essential features from the Marine Predators Algorithm (MPA) into the GWO framework, enabling superior performance through enhanced exploration and exploitation balance. The evaluation utilizes the GTOPX benchmark dataset from the European Space Agency (ESA), encompassing highly complex interplanetary trajectory optimization problems characterized by pronounced nonlinearity and multiple conflicting objectives reflective of real-world aerospace scenarios. Central to GMPA's methodology is an elite matrix, borrowed from MPA, designed to preserve and refine high-quality solutions iteratively, thereby promoting solution diversity and minimizing premature convergence. Furthermore, GMPA incorporates a three-phase position updating mechanism combined with L\'evy flights and Brownian motion to significantly bolster exploration capabilities, effectively mitigating the risk of stagnation in local optima. GMPA dynamically retains historical information on promising search areas, leveraging the memory storage features intrinsic to MPA, facilitating targeted exploitation and refinement. Empirical evaluations demonstrate GMPA's superior effectiveness compared to traditional GWO and other advanced metaheuristic algorithms, achieving markedly improved convergence rates and solution quality across GTOPX benchmarks. Consequently, GMPA emerges as a robust, efficient, and adaptive optimization approach particularly suitable for high-dimensional and complex aerospace trajectory optimization, offering significant insights and practical advancements in hybrid metaheuristic optimization techniques.
• Abstract（参考訳）: 本稿では,Grey Wolf Optimizer (GWO) の複雑な最適化シナリオに適用した場合に,Grey Wolf Optimizer (GWO) の本質的制約を効果的に対処する,高度なハイブリッド最適化(GMPA)アルゴリズムを提案する。 具体的には、GMPAは、海洋捕食者アルゴリズム(MPA)からGWOフレームワークに必須の機能を統合することで、探索とエクスプロイトバランスの強化による優れたパフォーマンスを実現する。 この評価は、欧州宇宙機関(ESA)のGTOPXベンチマークデータセットを利用しており、実際の宇宙のシナリオを反映した、顕著な非線形性と複数の矛盾する目的を特徴とする、惑星間軌道最適化の非常に複雑な問題を含んでいる。 GMPAの方法論の中心は、MPAから借用されたエリート行列であり、高品質のソリューションを反復的に保存し、洗練し、ソリューションの多様性を促進し、早期収束を最小化するように設計されている。 さらに、GMPAは、L''evy飛行とブラウン運動を組み合わせた3相位置更新機構を組み込んで、探索能力を大幅に強化し、局所オプティマにおける停滞のリスクを効果的に軽減する。 GMPAは将来性のある検索領域の履歴情報を動的に保持し、MPAに固有のメモリストレージ機能を活用し、ターゲットのエクスプロイトと改善を容易にする。 GMPAは従来のGWOや他の高度なメタヒューリスティックアルゴリズムに比べて優れた効果を示し、GTOPXベンチマークにおける収束率とソリューション品質を著しく向上させた。 その結果、GMPAは特に高次元および複雑な航空宇宙軌道最適化に適した頑健で効率的で適応的な最適化手法として登場し、ハイブリッドメタヒューリスティック最適化技術における重要な洞察と実践的な進歩を提供する。

関連論文リスト

• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• Goat Optimization Algorithm: A Novel Bio-Inspired Metaheuristic for Global Optimization [1.2289361708127877]
  本稿では,ヤギの適応採餌,戦略運動,寄生虫の回避行動に触発された,生物にインスパイアされたメタヒューリスティックな最適化手法を提案する。 アルゴリズムの性能は標準の単調なベンチマーク関数で評価される。 その結果,GOAはバイオインスパイアされた最適化技術において有望な進歩であることが明らかとなった。
  論文  参考訳（メタデータ） (2025-03-04T06:44:07Z)
• Global-Decision-Focused Neural ODEs for Proactive Grid Resilience Management [50.34345101758248]
  本稿では,機能停止予測とグローバルに最適化された介入を統合するフレームワークPATOGを提案する。 提案手法は,空間的かつ時間的に整合性のある意思決定を保証し,予測精度と操作効率を両立させる。 合成および実世界のデータセットの実験では、停止予測一貫性とグリッドレジリエンスが大幅に改善された。
  論文  参考訳（メタデータ） (2025-02-25T16:15:35Z)
• COSMOS: A Hybrid Adaptive Optimizer for Memory-Efficient Training of LLMs [81.01082659623552]
  大規模言語モデル(LLM)は、様々な領域で顕著な成功を収めている。 それらの最適化は、彼らが居住している複雑で高次元のロスランドスケープのために重要な課題である。
  論文  参考訳（メタデータ） (2025-02-24T18:42:19Z)
• A RankNet-Inspired Surrogate-Assisted Hybrid Metaheuristic for Expensive Coverage Optimization [5.757318591302855]
  大規模カバレッジ最適化タスクを処理するために,RangeNetによるSurrogate支援ハイブリッドメタヒューリスティックを提案する。 我々のアルゴリズムは、EMVOPの最先端アルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-01-13T14:49:05Z)
• Hierarchical Preference Optimization: Learning to achieve goals via feasible subgoals prediction [71.81851971324187]
  本研究は階層型強化学習(HRL)の新しいアプローチである階層型優先度最適化(HPO)を導入する。 HPOは、複雑なロボット制御タスクを解く際に、非定常性と非実用的なサブゴール生成の問題に対処する。 挑戦的なロボットナビゲーションと操作タスクの実験はHPOの素晴らしいパフォーマンスを示しており、ベースラインよりも最大35%改善されている。
  論文  参考訳（メタデータ） (2024-11-01T04:58:40Z)
• Halfway Escape Optimization: A Quantum-Inspired Solution for General Optimization Problems [6.3816899727206895]
  本稿ではまず,一般最適化問題に対処する量子インスパイアされたメタヒューリスティックであるHalfway Escape Optimization (HEO)アルゴリズムを提案する。 HEO機構の導入後,大規模な最適化アルゴリズムに対して,HEOの性能を総合的に評価する。 圧力容器設計および管状カラム設計におけるHEOの試験は、その実現可能性とリアルタイム応用の可能性について推測する。
  論文  参考訳（メタデータ） (2024-05-05T08:43:07Z)
• 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。