論文の概要: SEvoBench : A C++ Framework For Evolutionary Single-Objective Optimization Benchmarking

• arxiv url: http://arxiv.org/abs/2505.17430v1
• Date: Fri, 23 May 2025 03:23:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.789618
• Title: SEvoBench : A C++ Framework For Evolutionary Single-Objective Optimization Benchmarking
• Title（参考訳）: SEvoBench: 進化的な単一目的最適化ベンチマークのためのC++フレームワーク
• Authors: Yongkang Yang, Jian Zhao, Tengfei Yang,
• Abstract要約: SEvoBenchは進化計算(EC)のための最新のC++フレームワーク 進化的単目的最適化アルゴリズムを体系的にベンチマークするように設計されている。
• 参考スコア（独自算出の注目度）: 4.1624060499423825
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present SEvoBench, a modern C++ framework for evolutionary computation (EC), specifically designed to systematically benchmark evolutionary single-objective optimization algorithms. The framework features modular implementations of Particle Swarm Optimization (PSO) and Differential Evolution (DE) algorithms, organized around three core components: (1) algorithm construction with reusable modules, (2) efficient benchmark problem suites, and (3) parallel experimental analysis. Experimental evaluations demonstrate the framework's superior performance in benchmark testing and algorithm comparison. Case studies further validate its capabilities in algorithm hybridization and parameter analysis. Compared to existing frameworks, SEvoBench demonstrates three key advantages: (i) highly efficient and reusable modular implementations of PSO and DE algorithms, (ii) accelerated benchmarking through parallel execution, and (iii) enhanced computational efficiency via SIMD (Single Instruction Multiple Data) vectorization for large-scale problems.
• Abstract（参考訳）: 本稿では、進化的単目的最適化アルゴリズムを体系的にベンチマークするために設計された、進化的計算のための最新のC++フレームワークであるSEvoBenchを紹介する。 このフレームワークは, (1) 再利用可能なモジュールを用いたアルゴリズム構築, (2) 効率的なベンチマーク問題スイート, (3) 並列実験分析の3つのコアコンポーネントを中心に構成された,Particle Swarm Optimization (PSO) と Differential Evolution (DE) アルゴリズムのモジュール実装を特徴としている。 実験的評価は、ベンチマークテストとアルゴリズムの比較において、フレームワークの優れた性能を示す。 ケーススタディは、アルゴリズムのハイブリダイゼーションとパラメータ解析におけるその能力をさらに検証する。 既存のフレームワークと比較して、SEvoBenchは3つの大きな利点を示している。 i) PSO アルゴリズムと DE アルゴリズムの高効率かつ再利用可能なモジュール化実装。 (ii)並列実行によるベンチマークの高速化 3)大規模問題に対するSIMD(Single Instruction Multiple Data)ベクトル化による計算効率の向上。

関連論文リスト

• A Provably Convergent Plug-and-Play Framework for Stochastic Bilevel Optimization [4.703514158152835]
  Bilevelは最近、幅広いアプリケーションと高度な階層最適化機能のために、機械学習に大きな注目を集めている。 本稿では,双方向最適化手法の開発と解析を行うためのBOというプラグイン・アンド・プレイフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-02T13:26:43Z)
• Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
  勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。 本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。 合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2024-11-07T17:05:31Z)
• Explainable Benchmarking for Iterative Optimization Heuristics [0.8192907805418583]
  我々は、様々な最適化アルゴリズムの性能を分析し、理解するためのIOH-Xplainerソフトウェアフレームワークを紹介する。 さまざまなアルゴリズムコンポーネントと構成の影響を調査し、さまざまなシナリオにおけるパフォーマンスに関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-01-31T14:02:26Z)
• Efficient Convex Algorithms for Universal Kernel Learning [46.573275307034336]
  カーネルの理想的な集合: 線形パラメータ化(トラクタビリティ)を認める; すべてのカーネルの集合に密着する(正確性)。 従来のカーネル最適化アルゴリズムは分類に限られており、計算に複雑なセミデフィニティプログラミング(SDP)アルゴリズムに依存していた。 本稿では,従来のSDP手法と比較して計算量を大幅に削減するSVD-QCQPQPアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-15T04:57:37Z)
• ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
  バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。 既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。 本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
  論文  参考訳（メタデータ） (2021-10-13T19:36:50Z)
• Towards Large Scale Automated Algorithm Design by Integrating Modular Benchmarking Frameworks [0.9281671380673306]
  本稿では,アルゴリズムフレームワークであるParadisEOと,自動アルゴリズム設定ツール irace と実験プラットフォーム IOHknownr の効率性を示す最初の概念実証例を提案する。 パイプラインの主な利点は、高速な評価時間、豊富なデータセットを生成する可能性、そしてサンプリングベースの最適化の非常に幅広いクラスをベンチマークするのに使用できる標準化されたインターフェースである。
  論文  参考訳（メタデータ） (2021-02-12T10:47:00Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)

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。