論文の概要: Is Selection All You Need in Differential Evolution?
- arxiv url: http://arxiv.org/abs/2506.14425v1
- Date: Tue, 17 Jun 2025 11:41:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-18 17:34:59.444334
- Title: Is Selection All You Need in Differential Evolution?
- Title（参考訳）: 差分進化に必要なのは選択か?
- Authors: Tomofumi Kitamura, Alex Fukunaga,
- Abstract要約: 微分進化の新しいアプローチとして非有界微分進化(UDE)を提案する。
UDEは、フィットネスに基づいて個人を捨てることなく、すべての生成された候補を人口に追加する。
UDEはDEに対する基本的な新しいアプローチであり、選択メカニズムのみに依存し、より単純だが強力な検索アルゴリズムを可能にする。
- 参考スコア（独自算出の注目度）: 2.0718016474717196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Differential Evolution (DE) is a widely used evolutionary algorithm for black-box optimization problems. However, in modern DE implementations, a major challenge lies in the limited population diversity caused by the fixed population size enforced by the generational replacement. Population size is a critical control parameter that significantly affects DE performance. Larger populations inherently contain a more diverse set of individuals, thereby facilitating broader exploration of the search space. Conversely, when the maximum evaluation budgets is constrained, smaller populations focusing on a limited number of promising candidates may be more suitable. Many state-of-the-art DE variants incorporate an archive mechanism, in which a subset of discarded individuals is preserved in an archive during generation replacement and reused in mutation operations. However, maintaining what is essentially a secondary population via an archive introduces additional design considerations, such as policies for insertion, deletion, and appropriate sizing. To address these limitations, we propose a novel DE framework called Unbounded Differential Evolution (UDE), which adds all generated candidates to the population without discarding any individual based on fitness. Unlike conventional DE, which removes inferior individuals during generational replacement, UDE eliminates replacement altogether, along with the associated complexities of archive management and dynamic population sizing. UDE represents a fundamentally new approach to DE, relying solely on selection mechanisms and enabling a more straightforward yet powerful search algorithm.
- Abstract（参考訳）: 微分進化 (DE) はブラックボックス最適化問題に対して広く用いられている進化アルゴリズムである。
しかし、現代のDE実装において大きな課題は、世代交代によって強制される固定された人口の大きさによって生じる限られた人口の多様性である。
人口規模はDECのパフォーマンスに大きく影響する重要な制御パラメータである。
より大規模な個体群は本質的により多様な個体群を含み、探索空間のより広い探索を容易にする。
逆に、最大評価予算が制約された場合、限られた数の候補者に焦点を絞った人口の方がより適している可能性がある。
多くの最先端のDECにはアーカイブ機構があり、捨てられた個人のサブセットは、世代交代中にアーカイブに保存され、突然変異操作で再利用される。
しかし、アーカイブを通じて本質的に二次人口であるものを維持することは、挿入、削除、適切なサイズ化のポリシーのような追加の設計上の考慮をもたらす。
これらの制約に対処するため、我々はUnbounded Differential Evolution (UDE)と呼ばれる新しいDEフレームワークを提案する。
世代交代時に下位の個人を排除した従来のDEとは異なり、UDEはアーカイブ管理と動的人口規模に関する複雑さとともに、置換を完全に排除している。
UDEはDEに対する基本的な新しいアプローチであり、選択メカニズムのみに依存し、より単純だが強力な検索アルゴリズムを可能にする。
関連論文リスト
- Stochastic Population Update Can Provably Be Helpful in Multi-Objective Evolutionary Algorithms [23.248796792928204]
多目的進化アルゴリズム(MOEA)における集団更新は重要な要素である
本稿では,MOEAの探索において,人口更新が有用であることを示す。
具体的には,二目的問題であるOneJumpZeroとBi-RoyalRoadの2つのMOEA(SMS-EMOAとNSGA-II)の予測実行時間を,決定論的集団更新機構をランダムに置き換えれば指数関数的に減少できることを示す。
論文 参考訳（メタデータ） (2023-06-05T05:54:56Z) - Source-free Domain Adaptation Requires Penalized Diversity [60.04618512479438]
ソースデータがない場合、異なるドメイン間の知識伝達に対処するために、ソースフリードメイン適応(SFDA)が導入された。
教師なしのFDAでは、多様性はソース上の1つの仮説を学習するか、共有された特徴抽出器で複数の仮説を学習することに限定される。
本稿では,異なる特徴抽出器を用いて表現多様性を促進する新しい無教師付きSFDAアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-06T00:20:19Z) - Unsupervised and self-adaptative techniques for cross-domain person
re-identification [82.54691433502335]
非重複カメラにおける人物再識別(ReID)は難しい課題である。
Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。
本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
論文 参考訳（メタデータ） (2021-03-21T23:58:39Z) - Population-Based Methods: PARTICLE SWARM OPTIMIZATION -- Development of
a General-Purpose Optimizer and Applications [0.0]
この論文は、不等式制約を受ける連続、静的、単目的の最適化問題に関係している。
粒子群最適化のパラダイムは、社会で観察された協調行動の以前のシミュレーションから着想を得たものである。
論文 参考訳（メタデータ） (2021-01-25T09:36:25Z) - 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) - Style Normalization and Restitution for Generalizable Person
Re-identification [89.482638433932]
我々は、ソースドメイン上でモデルをトレーニングするが、ターゲットドメイン上での一般化や性能をよく行うことのできる、一般化可能な人物ReIDフレームワークを設計する。
本稿では,シンプルで効果的なスタイル正規化・再構成(SNR)モジュールを提案する。
SNRモジュールによって強化された我々のモデルは、複数の広く使われているReIDベンチマークにおいて最先端のドメイン一般化アプローチよりも大幅に優れている。
論文 参考訳（メタデータ） (2020-05-22T07:15:10Z) - Differential Evolution with Individuals Redistribution for Real
Parameter Single Objective Optimization [5.17900889163564]
微分進化(DE)は、実パラメータ単一目的最適化において非常に強力である。
我々は、個人の再分配を伴うDEという新しいDの流れを提案し、各個人の再分配のプロセスは、世代ごとのフィットネスの進歩が低いときに呼び出す。
実験の結果,DEMアルゴリズムのほとんどの場合,個人の再配布に基づくバージョンは,完全再起動に基づくバージョンとオリジナルバージョンの両方よりも優れた性能を示した。
論文 参考訳（メタデータ） (2020-03-01T08:40:52Z) - Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal
Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
個人再識別のための教師なし領域適応手法を提案する。
実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
論文 参考訳（メタデータ） (2020-01-14T17:43:52Z)
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。