論文の概要: Random-key genetic algorithms
- arxiv url: http://arxiv.org/abs/2506.02120v1
- Date: Mon, 02 Jun 2025 18:00:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-04 21:47:34.918294
- Title: Random-key genetic algorithms
- Title（参考訳）: ランダムキー遺伝アルゴリズム
- Authors: Mariana A. Londe, Luciana S. Pessoa, Carlos E. Andrade, José F. Gonçalves, Mauricio G. C. Resende,
- Abstract要約: ランダムキー遺伝的アルゴリズムは、離散的および大域的最適化のための進化的メタヒューリスティックである。
この章はランダムキー遺伝アルゴリズムをレビューし、バイアスドランダムキー遺伝アルゴリズムと呼ばれる効果的な変種を記述する。
- 参考スコア（独自算出の注目度）: 2.0971479389679337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A random-key genetic algorithm is an evolutionary metaheuristic for discrete and global optimization. Each solution is encoded as a vector of N random keys, where a random key is a real number randomly generated in the continuous interval [0, 1). A decoder maps each vector of random keys to a solution of the optimization problem being solved and computes its cost. The benefit of this approach is that all genetic operators and transformations can be maintained within the unitary hypercube, regardless of the problem being addressed. This enhances the productivity and maintainability of the core framework. The algorithm starts with a population of P vectors of random keys. At each iteration, the vectors are partitioned into two sets: a smaller set of high-valued elite solutions and the remaining non-elite solutions. All elite elements are copied, without change, to the next population. A small number of random-key vectors (the mutants) is added to the population of the next iteration. The remaining elements of the population of the next iteration are generated by combining, with the parametrized uniform crossover of Spears and DeJong (1991), pairs of solutions. This chapter reviews random-key genetic algorithms and describes an effective variant called biased random-key genetic algorithms.
- Abstract（参考訳）: ランダムキー遺伝的アルゴリズムは、離散的および大域的最適化のための進化的メタヒューリスティックである。
各解は N 個のランダムキーのベクトルとして符号化され、ランダムキーは連続間隔 [0, 1) でランダムに生成される実数である。
デコーダは、ランダムキーの各ベクトルを解いた最適化問題の解にマッピングし、そのコストを算出する。
このアプローチの利点は、問題に対処するにも拘わらず、すべての遺伝的演算子と変換がユニタリハイパーキューブ内で維持可能であることである。
これにより、コアフレームワークの生産性と保守性が向上します。
アルゴリズムはランダムキーのPベクトルの集団から始まる。
各反復において、ベクトルは2つの集合に分割される: より小さい値のエリート解と残りの非エリート解である。
すべてのエリート要素は、変更することなく、次の人口にコピーされる。
少数のランダムキーベクトル(ミュータント)が次の反復の集団に追加される。
次の反復の集団の残りの要素は、Spears と DeJong (1991) のパラメタライズされた一様交叉(英語版)(parametrized uniform crossover)と組み合わせて生成される。
この章はランダムキー遺伝アルゴリズムをレビューし、バイアスドランダムキー遺伝アルゴリズムと呼ばれる効果的な変種を記述する。
関連論文リスト
- Optimizing Genetic Algorithms Using the Binomial Distribution [0.0]
実行速度はランダム性の実装方法に大きく依存する。
ビットフリップ突然変異、一様交叉、制御ループの最適化方法を示す。
我々はオープンソースのJavaライブラリChips-n-Salsaにアプローチを実装します。
論文 参考訳（メタデータ） (2024-12-02T22:26:47Z) - A Novel Normalized-Cut Solver with Nearest Neighbor Hierarchical
Initialization [107.07093621337084]
正規化カット(N-Cut)は、スペクトルクラスタリングの有名なモデルである。
1)正規化ラプラシア行列の連続スペクトル埋め込みを計算する; 2)$K$-meansまたはスペクトル回転による離散化。
有名な座標降下法に基づく新しいN-Cut解法を提案する。
論文 参考訳（メタデータ） (2023-11-26T07:11:58Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - A Hybrid Genetic Algorithm for the min-max Multiple Traveling Salesman
Problem [0.9790236766474201]
本稿では,Multiple Traveling Salesman Problem (mTSP) を解くためのハイブリッド遺伝的アルゴリズムを提案する。
新たなクロスオーバーオペレーターは、2人の親からの同様のツアーを組み合わせるように設計されており、人口に対して大きな多様性を提供する。
我々のアルゴリズムは、ベンチマークセットに対してテストした場合に、同様のカットオフ時間しきい値で、すべての既存のアルゴリズムを平均で上回ります。
論文 参考訳（メタデータ） (2023-07-14T01:57:10Z) - Sparse Quadratic Optimisation over the Stiefel Manifold with Application
to Permutation Synchronisation [71.27989298860481]
二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。
そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-30T19:17:35Z) - Adaptive Random Quantum Eigensolver [0.0]
本稿では,乱数生成器の確率密度関数のパラメータ化と最適化を行う一般手法を提案する。
私たちの最適化は、学習速度と学習精度の2つのメリットに基づいています。
論文 参考訳（メタデータ） (2021-06-28T12:01:05Z) - Stochastic Saddle-Point Optimization for Wasserstein Barycenters [69.68068088508505]
オンラインデータストリームによって生成される有限個の点からなるランダムな確率測度に対する人口推定バリセンタ問題を考察する。
本稿では,この問題の構造を用いて,凸凹型サドル点再構成を行う。
ランダム確率測度の分布が離散的な場合、最適化アルゴリズムを提案し、その複雑性を推定する。
論文 参考訳（メタデータ） (2020-06-11T19:40:38Z) - Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。
我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。
得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文 参考訳（メタデータ） (2020-02-21T17:45:32Z) - Optimal Iterative Sketching with the Subsampled Randomized Hadamard
Transform [64.90148466525754]
最小二乗問題に対する反復スケッチの性能について検討する。
本研究では、Haar行列とランダム化されたHadamard行列の収束速度が同一であることを示し、ランダムなプロジェクションを経時的に改善することを示した。
これらの手法は、ランダム化次元還元を用いた他のアルゴリズムにも適用することができる。
論文 参考訳（メタデータ） (2020-02-03T16:17:50Z)
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。