論文の概要: Ecological Cycle Optimizer: A novel nature-inspired metaheuristic algorithm for global optimization

• arxiv url: http://arxiv.org/abs/2508.20458v1
• Date: Thu, 28 Aug 2025 06:11:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.065609
• Title: Ecological Cycle Optimizer: A novel nature-inspired metaheuristic algorithm for global optimization
• Title（参考訳）: Ecological Cycle Optimizer:グローバル最適化のための自然に着想を得た新しいメタヒューリスティックアルゴリズム
• Authors: Boyu Ma, Jiaxiao Shi, Yiming Ji, Zhengpu Wang,
• Abstract要約: エコロジーサイクル(Ecological Cycle、ECO)は、生態系におけるエネルギーフローと物質循環にインスパイアされた新しいメタヒューリスティックアルゴリズムである。 ECOの性能は、CS、HS、PSO、GWO、WOAを含む5つの高度に引用されたアルゴリズムに対して評価される。 最近開発された50のメタヒューリスティックアルゴリズムがアルゴリズムプールを形成するために選択され、IEEE CEC-2014とCEC-2017テストスイートで包括的な実験が行われた。
• 参考スコア（独自算出の注目度）: 2.9679961503184806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This article proposes the Ecological Cycle Optimizer (ECO), a novel metaheuristic algorithm inspired by energy flow and material cycling in ecosystems. ECO draws an analogy between the dynamic process of solving optimization problems and ecological cycling. Unique update strategies are designed for the producer, consumer and decomposer, aiming to enhance the balance between exploration and exploitation processes. Through these strategies, ECO is able to achieve the global optimum, simulating the evolution of an ecological system toward its optimal state of stability and balance. Moreover, the performance of ECO is evaluated against five highly cited algorithms-CS, HS, PSO, GWO, and WOA-on 23 classical unconstrained optimization problems and 24 constrained optimization problems from IEEE CEC-2006 test suite, verifying its effectiveness in addressing various global optimization tasks. Furthermore, 50 recently developed metaheuristic algorithms are selected to form the algorithm pool, and comprehensive experiments are conducted on IEEE CEC-2014 and CEC-2017 test suites. Among these, five top-performing algorithms, namely ARO, CFOA, CSA, WSO, and INFO, are chosen for an in-depth comparison with the ECO on the IEEE CEC-2020 test suite, verifying the ECO's exceptional optimization performance. Finally, in order to validate the practical applicability of ECO in complex real-world problems, five state-of-the-art algorithms, including NSM-SFS, FDB-SFS, FDB-AGDE, L-SHADE, and LRFDB-COA, along with four best-performing algorithms from the "CEC2020 competition on real-world single objective constrained optimization", namely SASS, sCMAgES, EnMODE, and COLSHADE, are selected for comparative experiments on five engineering problems from CEC-2020-RW test suite (real-world engineering problems), demonstrating that ECO achieves performance comparable to those of advanced algorithms.
• Abstract（参考訳）: 本稿では,生態系におけるエネルギーフローと物質循環にインスパイアされた新しいメタヒューリスティックアルゴリズムであるEcological Cycle Optimizer (ECO)を提案する。 ECOは最適化問題を解く動的なプロセスと生態的サイクリングの間に類似している。 ユニークな更新戦略は、プロデューサ、コンシューマ、デコンポーザ向けに設計されており、探索とエクスプロイトプロセスのバランスを高めることを目的としている。 これらの戦略を通じて、ECOは、生態系の安定性とバランスの最適な状態への進化をシミュレートし、世界的最適を達成することができる。 さらに、CS, HS, PSO, GWO, WOA-on 23古典的非制約最適化問題とIEEE CEC-2006テストスイートの24の制約最適化問題に対して、ECOの性能を評価し、様々なグローバル最適化タスクに対処する効果を検証する。 さらに、最近開発された50個のメタヒューリスティックアルゴリズムをアルゴリズムプールとして選択し、IEEE CEC-2014およびCEC-2017テストスイートで包括的な実験を行う。 これらのうち、ARO、CFOA、CSA、WSO、INFOの5つのトップパフォーマンスアルゴリズムは、IEEE CEC-2020テストスイート上のECOと深い比較のために選ばれ、ECOの例外的な最適化性能を検証する。 最後に、複雑な実世界の問題におけるECOの実用性を検証するために、NSM-SFS、FDB-SFS、FDB-AGDE、L-SHADE、LRFDB-COAを含む5つの最先端アルゴリズムと、SASS、sCMAgES、EnMODE、COLSHADEの4つのベストパフォーマンスアルゴリズムが、CEC-2020-RWテストスイート(現実世界のエンジニアリング問題)の5つの工学的問題の比較実験のために選ばれた。

関連論文リスト

• ABCO: Adaptive Bacterial Colony Optimisation [3.031375888004876]
  本稿では、適応細菌コロニー最適化(ABCO)と呼ばれる新しい最適化アルゴリズムを提案する。 ABCOは3つの段階 – 探索,エクスプロイト,再現 – に従って,アプリケーションの要件を満たすように適応している。
  論文  参考訳（メタデータ） (2025-05-02T14:48:14Z)
• BMR and BWR: Two simple metaphor-free optimization algorithms for solving real-life non-convex constrained and unconstrained problems [0.5755004576310334]
  本稿では,Best-MeanRandom (BMR) とBest-Worst-Random (BWR) の2つの単純な最適化アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2024-07-15T18:11:47Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Improving Energy Conserving Descent for Machine Learning: Theory and Practice [0.0]
  我々は,エネルギーコンドネッサンス理論(ECD)を開発し,凸非保存問題に対処可能な勾配に基づく最適化アルゴリズムであるECDSepを導入する。
  論文  参考訳（メタデータ） (2023-06-01T05:15:34Z)
• Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and Stability [67.8426046908398]
  汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。 本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
  論文  参考訳（メタデータ） (2022-04-08T20:46:16Z)
• Multi-Objective Constrained Optimization for Energy Applications via Tree Ensembles [55.23285485923913]
  エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。 場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。 本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
  論文  参考訳（メタデータ） (2021-11-04T20:18:55Z)
• Hybrid Evolutionary Optimization Approach for Oilfield Well Control Optimization [0.0]
  油田生産の最適化は、地下モデルの複雑さと関連する非線形性のために困難である。 本稿では,2つのハイブリッドな進化的最適化手法の有効性について述べる。
  論文  参考訳（メタデータ） (2021-03-29T13:36:51Z)
• Optimization and benchmarking of the thermal cycling algorithm [0.5879782260984691]
  最適化問題のほとんどは、不規則に複雑な構造を持ち、不必要なタスクを見つける。 本稿では,非最適化問題におけるエネルギー障壁を温度差で克服するアルゴリズムをベンチマークし,改良する。 並列サイクリングやアイソエネルゲティックな動きなど,最先端のアルゴリズムと密接に競合することを示す。
  論文  参考訳（メタデータ） (2020-12-17T18:07:04Z)
• 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)
• Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
  適応性は現代最適化理論において重要であるが、研究されていない性質である。 提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
  論文  参考訳（メタデータ） (2020-02-13T05:42:27Z)

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。