論文の概要: A Comprehensive Survey on Bio-Inspired Algorithms: Taxonomy, Applications, and Future Directions

• arxiv url: http://arxiv.org/abs/2506.04238v1
• Date: Mon, 26 May 2025 03:01:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-08 12:40:08.704059
• Title: A Comprehensive Survey on Bio-Inspired Algorithms: Taxonomy, Applications, and Future Directions
• Title（参考訳）: バイオインスパイアされたアルゴリズムに関する包括的調査:分類学,応用,今後の方向性
• Authors: Shriyank Somvanshi, Md Monzurul Islam, Syed Aaqib Javed, Gaurab Chhetri, Kazi Sifatul Islam, Tausif Islam Chowdhury, Sazzad Bin Bashar Polock, Anandi Dutta, Subasish Das,
• Abstract要約: バイオインスパイアされたアルゴリズム (BIAs) は、複雑な非線形で高次元の最適化問題を解決するために、進化、群れの挙動、採餌、植物の成長などの自然なプロセスを利用する。 この調査は、BIAを8つのグループに分類する。進化的、群れ知性、物理学にインスパイアされた、生態系と植物に基づく、捕食者、神経にインスパイアされた、人間にインスパイアされた、ハイブリッドなアプローチ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bio-inspired algorithms (BIAs) utilize natural processes such as evolution, swarm behavior, foraging, and plant growth to solve complex, nonlinear, high-dimensional optimization problems. This survey categorizes BIAs into eight groups: evolutionary, swarm intelligence, physics-inspired, ecosystem and plant-based, predator-prey, neural-inspired, human-inspired, and hybrid approaches, and reviews their core principles, strengths, and limitations. We illustrate the usage of these algorithms in machine learning, engineering design, bioinformatics, and intelligent systems, and highlight recent advances in hybridization, parameter tuning, and adaptive strategies. Finally, we identify open challenges such as scalability, convergence, reliability, and interpretability to suggest directions for future research. This work aims to serve as a foundational resource for both researchers and practitioners interested in understanding the current landscape and future directions of bio-inspired computing.
• Abstract（参考訳）: バイオインスパイアされたアルゴリズム (BIAs) は、複雑な非線形で高次元の最適化問題を解決するために、進化、群れの挙動、採餌、植物の成長などの自然なプロセスを利用する。 この調査は、BIAを8つのグループに分類する。進化的、群発知性、物理学にインスパイアされた、生態系と植物に基づく、捕食者、神経にインスパイアされた、人間にインスパイアされた、ハイブリッドなアプローチ。 機械学習、エンジニアリングデザイン、バイオインフォマティクス、インテリジェントシステムにおけるこれらのアルゴリズムの利用について解説し、ハイブリダイゼーション、パラメータチューニング、適応戦略の最近の進歩を強調した。 最後に,拡張性,収束性,信頼性,解釈可能性といったオープンな課題を特定し,今後の研究の方向性を提案する。 この研究は、バイオインスパイアされたコンピューティングの現在の状況と今後の方向性を理解することに関心を持つ研究者と実践者の両方にとって、基礎となるリソースとなることを目的としている。

関連論文リスト

• Scientific Hypothesis Generation and Validation: Methods, Datasets, and Future Directions [19.926445428206776]
  大規模言語モデル(LLM)は科学的仮説の生成と検証を変革している。 この調査は、LLM駆動のアプローチに関する構造化された概要を提供する。 本稿では,検索強化生成,知識グラフ補完,シミュレーション,因果推論,ツール支援推論などの手法について検討する。
  論文  参考訳（メタデータ） (2025-05-06T19:22:23Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [59.52058740470727]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
  人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。 提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。 提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• When Large Language Models Meet Evolutionary Algorithms: Potential Enhancements and Challenges [50.280704114978384]
  事前訓練された大規模言語モデル(LLM)は、自然なテキストを生成する強力な能力を示す。 進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。
  論文  参考訳（メタデータ） (2024-01-19T05:58:30Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• The application of Evolutionary and Nature Inspired Algorithms in Data Science and Data Analytics [2.1704774442395465]
  データサイエンスとデータ分析における進化的および自然に着想を得たアルゴリズムの発見について紹介する。 本研究では,データサイエンスと分析における進化的および自然に着想を得たアルゴリズムを用いて,4つの最適化アルゴリズムについて検討する。
  論文  参考訳（メタデータ） (2022-02-06T21:22:41Z)
• A step toward a reinforcement learning de novo genome assembler [0.4749981032986242]
  機械学習は、より正確で自動化されたアセンブラを開発するための代替(または補完)方法として現れるかもしれない。 本研究は,ゲノム組立における強化学習(RL)を用いた機械学習の応用に光を当てた。 我々は報奨システムを改良し、プルーニングと進化コンピューティングとの協調による状態空間の探索を最適化した。
  論文  参考訳（メタデータ） (2021-02-02T23:43:42Z)
• Investigating Bi-Level Optimization for Learning and Vision from a Unified Perspective: A Survey and Beyond [114.39616146985001]
  機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。 本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。 次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
  論文  参考訳（メタデータ） (2021-01-27T16:20:23Z)
• Qualities, challenges and future of genetic algorithms: a literature review [0.0]
  遺伝的アルゴリズムは自然進化をシミュレートするコンピュータプログラムである。 ニューラルネットワークアーキテクチャ探索から戦略ゲームまで,さまざまな最適化問題の解決に使用されている。 GPU、並列コンピューティング、量子コンピューティングなどの最近の発展、強力なパラメータ制御法の概念、表現戦略における新しいアプローチは、それらの限界を克服するための鍵となるかもしれない。
  論文  参考訳（メタデータ） (2020-11-05T17:53:33Z)
• Emerging Biometrics: Deep Inference and Other Computational Intelligence [1.2922946578413577]
  バイオメトリック対応システムは、深層学習と深層推論に向けて進化している。 次世代のバイオメトリックシステムで対処しなければならない技術ギャップを強調します。
  論文  参考訳（メタデータ） (2020-06-22T02:35:00Z)

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。