論文の概要: The Pitfalls and Potentials of Adding Gene-invariance to Optimal Mixing

• arxiv url: http://arxiv.org/abs/2506.15222v1
• Date: Wed, 18 Jun 2025 08:06:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.581372
• Title: The Pitfalls and Potentials of Adding Gene-invariance to Optimal Mixing
• Title（参考訳）: 最適混合への遺伝子不変性付加の落とし穴と可能性
• Authors: Anton Bouter, Dirk Thierens, Peter A. N. Bosman,
• Abstract要約: Optimal Mixing (OM) は、局所探索と遺伝子組換えを統合する変異演算子である。 本稿では,遺伝子不変遺伝的アルゴリズム(GIGA)にインスパイアされた手法を提案する。 この手法は、GI-GOMEA(Gene-pool Optimal Mixing Evolutionary Algorithm)と統合され、GI-GOMEAとなる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Optimal Mixing (OM) is a variation operator that integrates local search with genetic recombination. EAs with OM are capable of state-of-the-art optimization in discrete spaces, offering significant advantages over classic recombination-based EAs. This success is partly due to high selection pressure that drives rapid convergence. However, this can also negatively impact population diversity, complicating the solving of hierarchical problems, which feature multiple layers of complexity. While there have been attempts to address this issue, these solutions are often complicated and prone to bias. To overcome this, we propose a solution inspired by the Gene Invariant Genetic Algorithm (GIGA), which preserves gene frequencies in the population throughout the process. This technique is tailored to and integrated with the Gene-pool Optimal Mixing Evolutionary Algorithm (GOMEA), resulting in GI-GOMEA. The simple, yet elegant changes are found to have striking potential: GI-GOMEA outperforms GOMEA on a range of well-known problems, even when these problems are adjusted for pitfalls - biases in much-used benchmark problems that can be easily exploited by maintaining gene invariance. Perhaps even more notably, GI-GOMEA is also found to be effective at solving hierarchical problems, including newly introduced asymmetric hierarchical trap functions.
• Abstract（参考訳）: Optimal Mixing (OM) は、局所探索と遺伝子組換えを統合する変異演算子である。 OM を持つ EA は離散空間における最先端の最適化が可能であり、古典的な再結合に基づく EA よりも大きな利点がある。 この成功は、部分的には急激な収束を引き起こす高い選択圧力によるものである。 しかし、これは人口の多様性にも悪影響を及ぼし、複数の複雑な層を特徴とする階層的問題の解決を複雑にする。 この問題に対処する試みはいくつかあるが、これらのソリューションはしばしば複雑で偏見がちである。 そこで本研究では,遺伝子不変遺伝的アルゴリズム(GIGA)にヒントを得た手法を提案する。 この手法は、GI-GOMEA(Gene-pool Optimal Mixing Evolutionary Algorithm)と統合され、GI-GOMEAとなる。 GI-GOMEAは、これらの問題が落とし穴のために調整されたとしても、GOMEAよりも多くの既知の問題で優れている。 おそらくさらに注目すべきは、GI-GOMEAは新たに導入された非対称な階層的トラップ関数を含む階層的問題を解くのにも有効であることが判明したことである。

関連論文リスト

• Evaluating Genetic Algorithms through the Approximability Hierarchy [55.938644481736446]
  本稿では,問題の近似クラスに依存する遺伝的アルゴリズムの有用性を解析する。 特に, 遺伝的アルゴリズムは階層の最も悲観的なクラスに特に有用であることを示す。
  論文  参考訳（メタデータ） (2024-02-01T09:18:34Z)
• Genetic Algorithm enhanced by Deep Reinforcement Learning in parent selection mechanism and mutation : Minimizing makespan in permutation flow shop scheduling problems [0.18846515534317265]
  RL+GA法はフローショップスケジューリング問題(FSP)で特に検証された。 このハイブリッドアルゴリズムはニューラルネットワーク(NN)を導入し、Qラーニング(Q-learning)というオフ政治手法を使用する。 本研究は, プリミティブGAの性能向上におけるRL+GAアプローチの有効性を明らかにするものである。
  論文  参考訳（メタデータ） (2023-11-10T08:51:42Z)
• Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic Algorithm for Solving Combinatorial Optimization Problems [1.8434042562191815]
  遺伝的アルゴリズム(GA)は最適化問題の解法における効率性で知られている。 本稿では遺伝子工学の概念からインスピレーションを得るため,遺伝子工学アルゴリズム(GEA)と呼ばれる新しいメタヒューリスティックアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-28T13:05:30Z)
• Clipped Stochastic Methods for Variational Inequalities with Heavy-Tailed Noise [64.85879194013407]
  単調なVIPと非単調なVIPの解法における信頼度に対数的依存を持つ最初の高確率結果が証明された。 この結果は光尾の場合で最もよく知られたものと一致し,非単調な構造問題に新鮮である。 さらに,多くの実用的な定式化の勾配雑音が重く,クリッピングによりSEG/SGDAの性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-06-02T15:21:55Z)
• Effective Mutation Rate Adaptation through Group Elite Selection [50.88204196504888]
  本稿では,GESMR(Group Elite Selection of Mutation Rates)アルゴリズムを提案する。 GESMRは解の集団とMRの集団を共進化させ、各MRは解群に割り当てられる。 同じ数の関数評価とオーバーヘッドのほとんどないGESMRは、以前のアプローチよりも早く、より良いソリューションに収束する。
  論文  参考訳（メタデータ） (2022-04-11T01:08:26Z)
• Stochastic Gradient Descent-Ascent: Unified Theory and New Efficient Methods [73.35353358543507]
  SGDA(Gradient Descent-Ascent)は、min-max最適化と変分不等式問題(VIP)を解くための最も顕著なアルゴリズムの1つである。 本稿では,多種多様な降下指数法を網羅した統合収束解析を提案する。 本研究では,新しい分散化手法 (L-SVRGDA) や,新しい分散圧縮方式 (QSGDA, DIANA-SGDA, VR-DIANA-SGDA) ,座標ランダム化方式 (SEGA-SGDA) など,SGDAの新しい変種を開発した。
  論文  参考訳（メタデータ） (2022-02-15T09:17:39Z)
• Result Diversification by Multi-objective Evolutionary Algorithms with Theoretical Guarantees [94.72461292387146]
  両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。 GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。 目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
  論文  参考訳（メタデータ） (2021-10-18T14:00:22Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• A Rank based Adaptive Mutation in Genetic Algorithm [0.0]
  本稿では,染色体ランクを用いた突然変異確率生成の代替手法を提案する。 単純な遺伝的アルゴリズム(SGA)と一定の突然変異確率と限られた資源制約内での適応的アプローチとの比較実験を行った。
  論文  参考訳（メタデータ） (2021-04-18T12:41:33Z)
• Tip the Balance: Improving Exploration of Balanced Crossover Operators by Adaptive Bias [2.610470075814367]
  遺伝的アルゴリズム(GA)におけるバランスの取れたクロスオーバー演算子の使用は、子孫として生成された二進文字列が両親と同じハミング重みを持つことを保証している。 この手法は,探索空間のサイズを小さくするが,GAが探索することが困難になることが多い。 本論文では、対向型クロスオーバー演算子に適応バイアス戦略を適用することにより、この問題を考察した。
  論文  参考訳（メタデータ） (2020-04-23T17:26:43Z)

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。