論文の概要: Memory Enhanced Fractional-Order Dung Beetle Optimization for Photovoltaic Parameter Identification

• arxiv url: http://arxiv.org/abs/2508.06841v1
• Date: Sat, 09 Aug 2025 05:48:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.575209
• Title: Memory Enhanced Fractional-Order Dung Beetle Optimization for Photovoltaic Parameter Identification
• Title（参考訳）: 太陽光発電パラメータ同定のためのメモリ強化フラクタル次ダングビートル最適化
• Authors: Yiwei Li, Zhihua Allen-Zhao, Yuncheng Xu, Sanyang Liu,
• Abstract要約: 本稿では,3つの協調戦略を統合するメモリ拡張フラクタル次Dung Beetle Optimization (MFO-DBO)アルゴリズムを提案する。 進化したDBOの変種、FOベースのアルゴリズム、拡張された古典的アルゴリズム、そして最近のメタヒューリスティックスを精度、堅牢性、収束速度で一貫して上回っている。
• 参考スコア（独自算出の注目度）: 8.924286864388922
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate parameter identification in photovoltaic (PV) models is crucial for performance evaluation but remains challenging due to their nonlinear, multimodal, and high-dimensional nature. Although the Dung Beetle Optimization (DBO) algorithm has shown potential in addressing such problems, it often suffers from premature convergence. To overcome these issues, this paper proposes a Memory Enhanced Fractional-Order Dung Beetle Optimization (MFO-DBO) algorithm that integrates three coordinated strategies. Firstly, fractional-order (FO) calculus introduces memory into the search process, enhancing convergence stability and solution quality. Secondly, a fractional-order logistic chaotic map improves population diversity during initialization. Thirdly, a chaotic perturbation mechanism helps elite solutions escape local optima. Numerical results on the CEC2017 benchmark suite and the PV parameter identification problem demonstrate that MFO-DBO consistently outperforms advanced DBO variants, CEC competition winners, FO-based optimizers, enhanced classical algorithms, and recent metaheuristics in terms of accuracy, robustness, convergence speed, while also maintaining an excellent balance between exploration and exploitation compared to the standard DBO algorithm.
• Abstract（参考訳）: 太陽光発電(PV)モデルにおける正確なパラメータ同定は、性能評価には不可欠であるが、非線形、多モード、高次元の性質のため、依然として困難である。 Dung Beetle Optimization (DBO) アルゴリズムはそのような問題に対処する可能性を示しているが、しばしば早めの収束に悩まされる。 これらの問題を克服するために,3つの協調戦略を統合するメモリ拡張フラクタル次Dung Beetle Optimization (MFO-DBO)アルゴリズムを提案する。 第一に、分数次(FO)計算は、探索過程にメモリを導入し、収束安定性と解の質を高める。 第二に、分数次ロジスティックカオスマップは初期化時の個体数の多様性を向上させる。 第三に、カオス的摂動機構は、エリート解が局所最適から逃れるのを助ける。 CEC2017ベンチマークスイートとPVパラメータ同定問題の数値結果から、MFO-DBOは、従来のDBOアルゴリズムと比較して、進化したDBO変種、CECコンペティション勝者、FOベースのオプティマイザ、拡張古典アルゴリズム、最近のメタヒューリスティックスを一貫して上回り、精度、堅牢性、収束速度の観点からも優れた探索とエクスプロイトのバランスを維持していることが示された。

関連論文リスト

• Adam assisted Fully informed Particle Swarm Optimization ( Adam-FIPSO ) based Parameter Prediction for the Quantum Approximate Optimization Algorithm (QAOA) [1.024113475677323]
  量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は、マックス・カット問題などの最適化問題の解法として用いられる顕著な変分アルゴリズムである。 QAOAの重要な課題は、高品質なソリューションにつながる適切なパラメータを効率的に特定することである。
  論文  参考訳（メタデータ） (2025-06-07T13:14:41Z)
• A Memetic Algorithm based on Variational Autoencoder for Black-Box Discrete Optimization with Epistasis among Parameters [2.6774008509841005]
  ブラックボックス離散最適化(BB-DO)問題は、多くの現実世界のアプリケーションで発生する。 BB-DOの主な課題は、複数の変数を同時に修正しなければならないパラメータ間のエピスタシスである。 本稿では,VAEに基づくサンプリングと局所探索を組み合わせた新しいメメ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） (2025-04-30T05:56:22Z)
• A Stochastic Approach to Bi-Level Optimization for Hyperparameter Optimization and Meta Learning [74.80956524812714]
  我々は,現代のディープラーニングにおいて広く普及している一般的なメタ学習問題に対処する。 これらの問題は、しばしばBi-Level Optimizations (BLO)として定式化される。 我々は,与えられたBLO問題を,内部損失関数が滑らかな分布となり,外損失が内部分布に対する期待損失となるようなii最適化に変換することにより,新たな視点を導入する。
  論文  参考訳（メタデータ） (2024-10-14T12:10:06Z)
• Memory-Efficient Optimization with Factorized Hamiltonian Descent [11.01832755213396]
  本稿では,この課題に対処するためのメモリ効率因子化手法を取り入れた新しい適応型H-Facを提案する。 運動量とスケーリングパラメータ推定器の両方にランク1パラメータ化を適用することで、H-Facはメモリコストをサブ線形レベルに削減する。 我々はハミルトン力学から導かれる原理に基づいてアルゴリズムを開発し、最適化力学と収束保証において堅牢な理論的基盤を提供する。
  論文  参考訳（メタデータ） (2024-06-14T12:05:17Z)
• SGD with Partial Hessian for Deep Neural Networks Optimization [18.78728272603732]
  本稿では,チャネルワイドパラメータを更新するための2次行列と,他のパラメータを更新するための1次勾配降下(SGD)アルゴリズムを組み合わせた化合物を提案する。 一階述語と比較して、最適化を支援するためにヘッセン行列からの一定の量の情報を採用するが、既存の二階述語一般化と比較すると、一階述語一般化の性能は不正確である。
  論文  参考訳（メタデータ） (2024-03-05T06:10:21Z)
• Model-based Causal Bayesian Optimization [78.120734120667]
  モデルに基づく因果ベイズ最適化(MCBO)を提案する。 MCBOは介入と逆のペアをモデリングするのではなく、完全なシステムモデルを学ぶ。 標準的なベイズ最適化とは異なり、我々の取得関数は閉形式では評価できない。
  論文  参考訳（メタデータ） (2022-11-18T14:28:21Z)
• Nesterov Meets Optimism: Rate-Optimal Separable Minimax Optimization [108.35402316802765]
  本稿では,新しい一階最適化アルゴリズムであるAcceleratedGradient-OptimisticGradient (AG-OG) Ascentを提案する。 我々はAG-OGが様々な設定に対して最適収束率(定数まで)を達成することを示す。 アルゴリズムを拡張して設定を拡張し、bi-SC-SCとbi-C-SCの両方で最適な収束率を達成する。
  論文  参考訳（メタデータ） (2022-10-31T17:59:29Z)
• Exploring the Algorithm-Dependent Generalization of AUPRC Optimization with List Stability [107.65337427333064]
  AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。 本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。 3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
  論文  参考訳（メタデータ） (2022-09-27T09:06:37Z)
• 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)
• Distributionally Robust Bayesian Optimization [121.71766171427433]
  そこで本研究では,ゼロ次雑音最適化のための分散ロバストなベイズ最適化アルゴリズム(DRBO)を提案する。 提案アルゴリズムは, 種々の設定において, 線形に頑健な後悔を確実に得る。 提案手法は, 実世界のベンチマークと実世界のベンチマークの両方において, 頑健な性能を示す。
  論文  参考訳（メタデータ） (2020-02-20T22:04:30Z)

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。