論文の概要: Using Variable Interaction Graphs to Improve Particle Swarm Optimization

• arxiv url: http://arxiv.org/abs/2509.06985v1
• Date: Tue, 02 Sep 2025 00:39:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:26.998413
• Title: Using Variable Interaction Graphs to Improve Particle Swarm Optimization
• Title（参考訳）: 可変相互作用グラフによる粒子群最適化
• Authors: Caz L. Czworkowski, John W. Sheppard,
• Abstract要約: 本稿では,最適化プロセス中の変数相互作用を動的に学習し,活用するPSO(Particle Swarm Optimization)への適応について述べる。 VIGPSOは、粒子が探索空間をどう移動するかを分析することによって、変数が相互にどのように影響するかを学習し、これらの学習された関係を使って将来の粒子の動きを導く。 VIGPSOは10,30,50,1000次元の8つのベンチマーク関数(3つの分離可能,2つの部分分離可能,3つの非分離可能)の標準PSOに対して評価された。
• 参考スコア（独自算出の注目度）: 4.5835414225547195
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper presents Variable Interaction Graph Particle Swarm Optimization (VIGPSO), an adaptation to Particle Swarm Optimization (PSO) that dynamically learns and exploits variable interactions during the optimization process. PSO is widely used for real-valued optimization problems but faces challenges in high-dimensional search spaces. While Variable Interaction Graphs (VIGs) have proven effective for optimization algorithms operating with known problem structure, their application to black-box optimization remains limited. VIGPSO learns how variables influence each other by analyzing how particles move through the search space, and uses these learned relationships to guide future particle movements. VIGPSO was evaluated against standard PSO on eight benchmark functions (three separable, two partially separable, and three non-separable) across 10, 30, 50 and 1000 dimensions. VIGPSO achieved statistically significant improvements ($p<0.05$) over the standard PSO algorithm in 28 out of 32 test configurations, with particularly strong performance extending to the 1000-dimensional case. The algorithm showed increasing effectiveness with dimensionality, though at the cost of higher variance in some test cases. These results suggest that dynamic VIG learning can bridge the gap between black-box and gray-box optimization effectively in PSO, particularly for high-dimensional problems.
• Abstract（参考訳）: 本稿では,パーティクルスワーム最適化 (PSO) に適応した可変相互作用グラフ群最適化 (VIGPSO) を提案する。 PSOは実数値最適化問題に広く用いられているが、高次元探索空間では問題に直面している。 可変相互作用グラフ(VIG)は既知の問題構造を扱う最適化アルゴリズムに有効であることが証明されているが、ブラックボックス最適化への応用は限定的である。 VIGPSOは、粒子が探索空間をどう移動するかを分析することによって、変数が相互にどのように影響するかを学習し、これらの学習された関係を使って将来の粒子の動きを導く。 VIGPSOは10,30,50,1000次元の8つのベンチマーク関数(3つの分離可能,2つの部分分離可能,3つの非分離可能)の標準PSOに対して評価された。 VIGPSOは、32の試験構成中28の標準PSOアルゴリズムに対して統計的に有意な改善(p<0.05$)を達成した。 このアルゴリズムは,いくつかのテストケースにおいて,高い分散を犠牲にしながら,次元性による有効性の向上を示した。 これらの結果から、動的VIG学習は、特に高次元問題に対して、PSOにおいてブラックボックスとグレーボックスの最適化のギャップを効果的に埋めることができることが示唆された。

関連論文リスト

• Geometric Learning in Black-Box Optimization: A GNN Framework for Algorithm Performance Prediction [3.673004818820981]
  本研究では、最適化アルゴリズムの性能を予測するために、グラフデータ構造とグラフニューラルネットワークの利用について検討する。 2つのモジュラーフレームワーク、modCMA-ES と modDE に焦点をあて、このフレームワークは2つの広く使われている微分自由最適化アルゴリズムを分解する。 6つのランタイム予算と2つの問題次元にまたがる24のBBOB問題に対して、324 modCMA-ESおよび576 modDE変異を評価した。
  論文  参考訳（メタデータ） (2025-06-19T08:56:05Z)
• High-Dimensional Bayesian Optimization Using Both Random and Supervised Embeddings [0.6291443816903801]
  本稿では,小さな次元の線形埋め込み部分空間を組み込んだ高次元最適化手法を提案する。 結果のBO法は、ランダムおよび教師付き線形埋め込みの両方を適応的に組み合わせる。 その結果,高次元ブラックボックス最適化問題に対するEGORSEの有効性が示された。
  論文  参考訳（メタデータ） (2025-02-02T16:57:05Z)
• Halfway Escape Optimization: A Quantum-Inspired Solution for General Optimization Problems [6.3816899727206895]
  本稿ではまず,一般最適化問題に対処する量子インスパイアされたメタヒューリスティックであるHalfway Escape Optimization (HEO)アルゴリズムを提案する。 HEO機構の導入後,大規模な最適化アルゴリズムに対して,HEOの性能を総合的に評価する。 圧力容器設計および管状カラム設計におけるHEOの試験は、その実現可能性とリアルタイム応用の可能性について推測する。
  論文  参考訳（メタデータ） (2024-05-05T08:43:07Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Unified Convergence Analysis for Adaptive Optimization with Moving Average Estimator [75.05106948314956]
  1次モーメントに対する大きな運動量パラメータの増大は適応的スケーリングに十分であることを示す。 また,段階的に減少するステップサイズに応じて,段階的に運動量を増加させるための洞察を与える。
  論文  参考訳（メタデータ） (2021-04-30T08:50:24Z)
• Particle Swarm Optimization: Fundamental Study and its Application to Optimization and to Jetty Scheduling Problems [0.0]
  従来の手法に関する進化的アルゴリズムの利点は、文献で大いに議論されている。 粒子群はそのような利点を共有しているが、計算コストの低減と実装の容易さが要求されるため、進化的アルゴリズムよりも優れている。 本論文は, それらのチューニングについて検討するものではなく, 従来の研究から汎用的な設定を抽出し, 様々な問題を最適化するために, 事実上同じアルゴリズムを用いている。
  論文  参考訳（メタデータ） (2021-01-25T02:06:30Z)
• 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)
• A Primer on Zeroth-Order Optimization in Signal Processing and Machine Learning [95.85269649177336]
  ZO最適化は、勾配推定、降下方向、ソリューション更新の3つの主要なステップを反復的に実行する。 我々は,ブラックボックス深層学習モデルによる説明文の評価や生成,効率的なオンラインセンサ管理など,ZO最適化の有望な応用を実証する。
  論文  参考訳（メタデータ） (2020-06-11T06:50:35Z)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。