論文の概要: A modified RIME algorithm with covariance learning and diversity enhancement for numerical optimization

• arxiv url: http://arxiv.org/abs/2509.09529v1
• Date: Thu, 11 Sep 2025 15:12:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.440129
• Title: A modified RIME algorithm with covariance learning and diversity enhancement for numerical optimization
• Title（参考訳）: 数値最適化のための共分散学習と多様性向上を用いた修正RIMEアルゴリズム
• Authors: Shangqing Shi, Luoxiao Zhang, Yuchen Yin, Xiong Yang, Hoileong Lee,
• Abstract要約: 本稿では,共分散学習と多様性向上(MRIME-CD)を併用した改良RIMEを提案する。 提案したMRIME-CDアルゴリズムは、CEC 2017テストセット、CEC2022テストセット上で一連の検証を行い、実験結果を分析する。 以上の結果から,MRIME-CDは基礎RIMEの性能を効果的に向上し,解の精度,収束速度,安定性の点で明らかな優位性を有することが示された。
• 参考スコア（独自算出の注目度）: 3.5370730155070826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Metaheuristics are widely applied for their ability to provide more efficient solutions. The RIME algorithm is a recently proposed physical-based metaheuristic algorithm with certain advantages. However, it suffers from rapid loss of population diversity during optimization and is prone to fall into local optima, leading to unbalanced exploitation and exploration. To address the shortcomings of RIME, this paper proposes a modified RIME with covariance learning and diversity enhancement (MRIME-CD). The algorithm applies three strategies to improve the optimization capability. First, a covariance learning strategy is introduced in the soft-rime search stage to increase the population diversity and balance the over-exploitation ability of RIME through the bootstrapping effect of dominant populations. Second, in order to moderate the tendency of RIME population to approach the optimal individual in the early search stage, an average bootstrapping strategy is introduced into the hard-rime puncture mechanism, which guides the population search through the weighted position of the dominant populations, thus enhancing the global search ability of RIME in the early stage. Finally, a new stagnation indicator is proposed, and a stochastic covariance learning strategy is used to update the stagnant individuals in the population when the algorithm gets stagnant, thus enhancing the ability to jump out of the local optimal solution. The proposed MRIME-CD algorithm is subjected to a series of validations on the CEC2017 test set, the CEC2022 test set, and the experimental results are analyzed using the Friedman test, the Wilcoxon rank sum test, and the Kruskal Wallis test. The results show that MRIME-CD can effectively improve the performance of basic RIME and has obvious superiorities in terms of solution accuracy, convergence speed and stability.
• Abstract（参考訳）: メタヒューリスティックスは、より効率的なソリューションを提供する能力に広く応用されている。 RIMEアルゴリズムは、最近提案された物理ベースメタヒューリスティックアルゴリズムであり、いくつかの利点がある。 しかし、最適化中に個体数の急激な減少に悩まされ、局所的な最適状態に陥りやすくなり、不均衡な搾取と探検に繋がる。 RIMEの欠点を解決するために,共分散学習と多様性向上(MRIME-CD)を備えた改良型RIMEを提案する。 このアルゴリズムは最適化能力を改善するために3つの戦略を適用する。 まず, ソフトライム探索段階において, 集団の多様性を高め, 支配的な集団のブートストラップ効果を通じてRIMEの過剰曝露能力のバランスをとるために, 共分散学習戦略を導入する。 第2に、RIME人口の最適個体に近づく傾向を緩やかにするため、平均的なブートストラップ戦略が、支配的な人口の重み付け位置を通した集団探索を誘導するハードライム・パンクチャ・メカニズムに導入され、RIMEの早期におけるグローバルな探索能力が向上する。 最後に,新たな停滞指標を提案し,アルゴリズムが停滞すると集団内の停滞した個体を更新する確率的共分散学習戦略を用いて,局所最適解から飛び出す能力を向上する。 提案したMRIME-CDアルゴリズムは,CEC2017テストセット,CEC2022テストセット上で一連の検証を行い,Friedmanテスト,Wilcoxonランキングテスト,Kruskal Wallisテストを用いて実験結果を解析した。 以上の結果から,MRIME-CDは基礎RIMEの性能を効果的に向上し,解の精度,収束速度,安定性の点で明らかな優位性を有することが示された。

関連論文リスト

• Stability and Generalization for Distributed SGDA [70.97400503482353]
  分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。 我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。 理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2024-11-14T11:16:32Z)
• Deep Reinforcement Learning for Online Optimal Execution Strategies [49.1574468325115]
  本稿では,動的な金融市場における非マルコフ的最適実行戦略の学習に挑戦する。 我々は,Deep Deterministic Policy Gradient(DDPG)に基づく新しいアクター批判アルゴリズムを提案する。 提案アルゴリズムは最適実行戦略の近似に成功していることを示す。
  論文  参考訳（メタデータ） (2024-10-17T12:38:08Z)
• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)
• Orthogonally Initiated Particle Swarm Optimization with Advanced Mutation for Real-Parameter Optimization [0.04096453902709291]
  本稿では,多角形PSO(orthogonal PSO with Mutation,OPSO-m)と呼ばれる拡張粒子群(PSO)を紹介する。 PSOのための改良された初期Swarmを育むための配列ベースの学習手法を提案し、Swarmベースの最適化アルゴリズムの適応性を大幅に向上させた。 この記事はさらに、人口を正規グループとエリートグループに分割する、アーカイブベースの自己適応学習戦略を提示する。
  論文  参考訳（メタデータ） (2024-05-21T07:16:20Z)
• A Nonlinear African Vulture Optimization Algorithm Combining Henon Chaotic Mapping Theory and Reverse Learning Competition Strategy [9.252838762325927]
  ヘノンのカオスマッピング理論とエリート集団戦略は、ハゲワシの初期個体数のランダム性と多様性を改善するために提案されている。 逆学習競争戦略は、最適解に対する発見分野の拡大を目的としている。 提案したHWEAVOAは, 収束速度, 最適化能力, 解安定性における比較アルゴリズムよりも優れている全試験関数で第1位である。
  論文  参考訳（メタデータ） (2024-03-22T01:20:45Z)
• VNE Strategy based on Chaotic Hybrid Flower Pollination Algorithm Considering Multi-criteria Decision Making [12.361459296815559]
  仮想ネットワーク埋め込み (Virtual Network Embedding, VNE) 問題に対するハイブリッド花の受粉アルゴリズムの設計戦略について論じる。 クロス操作は、グローバル検索を完了させるためにクロスポリン化操作を置き換えるために使用される。 従来のフィットネスベースの選択戦略の補完としてライフサイクルメカニズムが導入されている。
  論文  参考訳（メタデータ） (2022-02-07T00:57:00Z)
• Learning Sampling Policy for Faster Derivative Free Optimization [100.27518340593284]
  ランダムサンプリングではなく,ZO最適化における摂動を生成するためのサンプリングポリシを学習する,新たな強化学習ベースのZOアルゴリズムを提案する。 その結果,ZO-RLアルゴリズムはサンプリングポリシを学習することでZO勾配の分散を効果的に低減し,既存のZOアルゴリズムよりも高速に収束できることが示唆された。
  論文  参考訳（メタデータ） (2021-04-09T14:50:59Z)
• Epistocracy Algorithm: A Novel Hyper-heuristic Optimization Strategy for Solving Complex Optimization Problems [1.471992435706872]
  本稿では,人間の社会・政治行動と知性を組み込んで複雑な最適化問題を解く,エピストクラシーという新しい進化的アルゴリズムを提案する。 エピストクラシーのアルゴリズムのインスピレーションは、教育を受けた人々が教育を受けていない人や教育を受けていない人よりも投票力を持つ政治体制に端を発する。 実験結果から, エピストクラシーアルゴリズムは, 性能, 精度, 堅牢性の観点から, 最先端の進化的, 群知能アルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-01-30T19:07:09Z)

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。