論文の概要: An improved educational competition optimizer with multi-covariance learning operators for global optimization problems

• arxiv url: http://arxiv.org/abs/2509.09552v1
• Date: Thu, 11 Sep 2025 15:41:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.451003
• Title: An improved educational competition optimizer with multi-covariance learning operators for global optimization problems
• Title（参考訳）: グローバル最適化問題に対する多共分散学習演算子を用いた改良型教育競合最適化器
• Authors: Baoqi Zhao, Xiong Yang, Hoileong Lee, Bowen Dong,
• Abstract要約: 本研究は,多変量学習演算子を用いた高度な教育コンペティション(IECO)を提案する。 IECOの有効性は、CEC 2017とCEC 2022テストスイートから派生したベンチマーク機能によって評価される。 その結果,IECO-MCOは収束速度,安定性,局所最適化を回避する能力において,基本的なECOや他の競合アルゴリズムを超越していることがわかった。
• 参考スコア（独自算出の注目度）: 13.060080975009846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The educational competition optimizer is a recently introduced metaheuristic algorithm inspired by human behavior, originating from the dynamics of educational competition within society. Nonetheless, ECO faces constraints due to an imbalance between exploitation and exploration, rendering it susceptible to local optima and demonstrating restricted effectiveness in addressing complex optimization problems. To address these limitations, this study presents an enhanced educational competition optimizer (IECO-MCO) utilizing multi-covariance learning operators. In IECO, three distinct covariance learning operators are introduced to improve the performance of ECO. Each operator effectively balances exploitation and exploration while preventing premature convergence of the population. The effectiveness of IECO is assessed through benchmark functions derived from the CEC 2017 and CEC 2022 test suites, and its performance is compared with various basic and improved algorithms across different categories. The results demonstrate that IECO-MCO surpasses the basic ECO and other competing algorithms in convergence speed, stability, and the capability to avoid local optima. Furthermore, statistical analyses, including the Friedman test, Kruskal-Wallis test, and Wilcoxon rank-sum test, are conducted to validate the superiority of IECO-MCO over the compared algorithms. Compared with the basic algorithm (improved algorithm), IECO-MCO achieved an average ranking of 2.213 (2.488) on the CE2017 and CEC2022 test suites. Additionally, the practical applicability of the proposed IECO-MCO algorithm is verified by solving constrained optimization problems. The experimental outcomes demonstrate the superior performance of IECO-MCO in tackling intricate optimization problems, underscoring its robustness and practical effectiveness in real-world scenarios.
• Abstract（参考訳）: 教育コンペティションオプティマイザは、社会内の教育コンペティションのダイナミクスから生まれた、人間の行動にインスパイアされた、最近導入されたメタヒューリスティックアルゴリズムである。 それでも、ECOは、エクスプロイトと探索の不均衡による制約に直面しており、局所最適の影響を受けやすく、複雑な最適化問題に対処する上で、制限された効果を示す。 これらの制約に対処するため,多共分散学習演算子を用いた教育コンペティション最適化(IECO-MCO)を提案する。 IECOでは、ECOの性能を向上させるために、3つの異なる共分散学習演算子が導入された。 各オペレーターは、人口の早期収束を防ぎながら、効果的に搾取と探検のバランスをとる。 IECOの有効性は、CEC 2017とCEC 2022テストスイートから派生したベンチマーク機能を通じて評価され、その性能は、さまざまなカテゴリにわたる基本的なアルゴリズムと改善されたアルゴリズムと比較される。 その結果,IECO-MCOは収束速度,安定性,局所最適化を回避する能力において,基本的なECOや他の競合アルゴリズムを超越していることがわかった。 さらに,Friedman test,Kruskal-Wallis test,Wilcoxon rank-sum testなどの統計分析を行い,比較アルゴリズムよりもIECO-MCOの方が優れていることを示した。 基本的なアルゴリズム(改良アルゴリズム)と比較すると、IECO-MCOはCE2017とCEC2022テストスイートで平均2.213 (2.488) のランクを得た。 さらに, 制約付き最適化問題を解くことにより, 提案したIECO-MCOアルゴリズムの実用性を検証する。 実験結果は、複雑な最適化問題に対処する上でIECO-MCOの優れた性能を示し、実世界のシナリオにおけるその堅牢性と実践的有効性を強調している。

関連論文リスト

• Ecological Cycle Optimizer: A novel nature-inspired metaheuristic algorithm for global optimization [2.9679961503184806]
  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。
  論文  参考訳（メタデータ） (2025-08-28T06:11:46Z)
• A Memetic Walrus Algorithm with Expert-guided Strategy for Adaptive Curriculum Sequencing [14.25038814788708]
  本稿では,3つの重要な革新を通じて最適化を向上するメメティック・ワラスを提案する。 OULADデータセットの実験では、MWOの優れたパフォーマンスが示されている。
  論文  参考訳（メタデータ） (2025-06-16T04:45:02Z)
• 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)
• 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)
• Planning for Sample Efficient Imitation Learning [52.44953015011569]
  現在の模倣アルゴリズムは、高い性能と高環境サンプル効率を同時に達成するのに苦労している。 本研究では,環境内サンプルの効率と性能を同時に達成できる計画型模倣学習手法であるEfficientImitateを提案する。 実験結果から,EIは性能と試料効率の両立を図った。
  論文  参考訳（メタデータ） (2022-10-18T05:19:26Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• 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)
• The Cone epsilon-Dominance: An Approach for Evolutionary Multiobjective Optimization [1.0323063834827413]
  進化アルゴリズムの収束と多様性を改善するためのコーン・エプシロン・マディナンス・アプローチ。 16のよく知られたベンチマーク問題が実験セクションで検討されている。 その結果,コーン-エプス-MOEAは,検討したすべてのパフォーマンス指標に対して,効率的かつバランスの取れた性能を示すことができることが示唆された。
  論文  参考訳（メタデータ） (2020-07-14T14:13:13Z)

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。