論文の概要: A multi-strategy improved gazelle optimization algorithm for solving numerical optimization and engineering applications

• arxiv url: http://arxiv.org/abs/2509.07211v1
• Date: Mon, 08 Sep 2025 20:44:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.118286
• Title: A multi-strategy improved gazelle optimization algorithm for solving numerical optimization and engineering applications
• Title（参考訳）: 数値最適化と工学応用のためのマルチストラテジー改良ガゼル最適化アルゴリズム
• Authors: Qi Diao, Chengyue Xie, Yuchen Yin, Hoileong Lee, Haolong Yang,
• Abstract要約: 本稿では,マルチストラテジー改良ガゼル最適化アルゴリズム(MSIGOA)を提案する。 2つの適応パラメータチューニング戦略は、アルゴリズムの適用性を改善し、よりスムーズな最適化プロセスを促進する。 支配的な人口ベースの再起動戦略は、アルゴリズムが局所最適から逃れ、その早期収束を避ける能力を高める。
• 参考スコア（独自算出の注目度）: 0.09320657506524145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aiming at the shortcomings of the gazelle optimization algorithm, such as the imbalance between exploration and exploitation and the insufficient information exchange within the population, this paper proposes a multi-strategy improved gazelle optimization algorithm (MSIGOA). To address these issues, MSIGOA proposes an iteration-based updating framework that switches between exploitation and exploration according to the optimization process, which effectively enhances the balance between local exploitation and global exploration in the optimization process and improves the convergence speed. Two adaptive parameter tuning strategies improve the applicability of the algorithm and promote a smoother optimization process. The dominant population-based restart strategy enhances the algorithms ability to escape from local optima and avoid its premature convergence. These enhancements significantly improve the exploration and exploitation capabilities of MSIGOA, bringing superior convergence and efficiency in dealing with complex problems. In this paper, the parameter sensitivity, strategy effectiveness, convergence and stability of the proposed method are evaluated on two benchmark test sets including CEC2017 and CEC2022. Test results and statistical tests show that MSIGOA outperforms basic GOA and other advanced algorithms. On the CEC2017 and CEC2022 test sets, the proportion of functions where MSIGOA is not worse than GOA is 92.2% and 83.3%, respectively, and the proportion of functions where MSIGOA is not worse than other algorithms is 88.57% and 87.5%, respectively. Finally, the extensibility of MSIGAO is further verified by several engineering design optimization problems.
• Abstract（参考訳）: 本稿では,ガゼル最適化アルゴリズム(MSIGOA)の欠点として,探索と利用の間の不均衡や集団内の情報交換の不十分さを挙げ,マルチストラテジー改良ガゼル最適化アルゴリズム(MSIGOA)を提案する。 これらの問題に対処するため、MSIGOAは、最適化プロセスに従ってエクスプロイトと探索を切り替える反復ベースの更新フレームワークを提案し、最適化プロセスにおける局所的なエクスプロイトとグローバルな探索のバランスを効果的に向上し、収束速度を向上する。 2つの適応パラメータチューニング戦略は、アルゴリズムの適用性を改善し、よりスムーズな最適化プロセスを促進する。 支配的な人口ベースの再起動戦略は、アルゴリズムが局所最適から逃れ、その早期収束を避ける能力を高める。 これらの拡張により、MSIGOAの探索と利用能力が大幅に向上し、複雑な問題に対処する際の収束性と効率性が向上した。 本稿では, CEC2017 と CEC2022 を含む2つのベンチマークテストセットにおいて, パラメータ感度, 戦略の有効性, 収束性, 安定性を評価する。 MSIGOAは基本的なGOAや他の高度なアルゴリズムよりも優れていることを示す。 CEC2017 と CEC2022 のテストセットでは、MSIGOA が GOA よりも悪くない関数の割合は 92.2% と 83.3% であり、MSIGOA が他のアルゴリズムより悪くない関数の割合は 88.57% と 87.5% である。 最後に、MSIGAOの拡張性は、いくつかのエンジニアリング設計最適化問題によってさらに検証される。

関連論文リスト

• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• Goat Optimization Algorithm: A Novel Bio-Inspired Metaheuristic for Global Optimization [1.2289361708127877]
  本稿では,ヤギの適応採餌,戦略運動,寄生虫の回避行動に触発された,生物にインスパイアされたメタヒューリスティックな最適化手法を提案する。 アルゴリズムの性能は標準の単調なベンチマーク関数で評価される。 その結果,GOAはバイオインスパイアされた最適化技術において有望な進歩であることが明らかとなった。
  論文  参考訳（メタデータ） (2025-03-04T06:44:07Z)
• Advancements in Optimization: Adaptive Differential Evolution with Diversification Strategy [0.0]
  この研究は2次元空間において単目的最適化を採用し、複数の反復で各ベンチマーク関数上でADEDSを実行する。 ADEDSは、多くの局所最適化、プレート型、谷型、伸縮型、ノイズの多い機能を含む様々な最適化課題において、標準Dより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-02T10:05:41Z)
• Improving Performance Insensitivity of Large-scale Multiobjective Optimization via Monte Carlo Tree Search [7.34812867861951]
  モンテカルロ木探索に基づく大規模多目的最適化問題の解法を提案する。 提案手法は,モンテカルロ木上に新たなノードを構築するための決定変数をサンプリングし,最適化と評価を行う。 大規模な決定変数による性能感度を低下させるために、さらなる探索のための評価が良いノードを選択する。
  論文  参考訳（メタデータ） (2023-04-08T17:15:49Z)
• 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)
• 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)
• 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)
• 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。