論文の概要: MECHBench: A Set of Black-Box Optimization Benchmarks originated from Structural Mechanics

• arxiv url: http://arxiv.org/abs/2511.10821v1
• Date: Thu, 13 Nov 2025 21:43:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.339616
• Title: MECHBench: A Set of Black-Box Optimization Benchmarks originated from Structural Mechanics
• Title（参考訳）: MECHBench: 構造力学から得られたブラックボックス最適化ベンチマークのセット
• Authors: Iván Olarte Rodríguez, Maria Laura Santoni, Fabian Duddeck, Carola Doerr, Thomas Bäck, Elena Raponi,
• Abstract要約: 本稿では,構造力学に根ざした最適化ベンチマークについて述べる。 ベンチマークは、車両のクラッシュ耐性シナリオから導かれる。 本稿では,各事例の物理的文脈,対応する最適化問題の定式化,スイートの活用方法に関する明確なガイドラインについて述べる。
• 参考スコア（独自算出の注目度）: 1.4757194159888734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Benchmarking is essential for developing and evaluating black-box optimization algorithms, providing a structured means to analyze their search behavior. Its effectiveness relies on carefully selected problem sets used for evaluation. To date, most established benchmark suites for black-box optimization consist of abstract or synthetic problems that only partially capture the complexities of real-world engineering applications, thereby severely limiting the insights that can be gained for application-oriented optimization scenarios and reducing their practical impact. To close this gap, we propose a new benchmarking suite that addresses it by presenting a curated set of optimization benchmarks rooted in structural mechanics. The current implemented benchmarks are derived from vehicle crashworthiness scenarios, which inherently require the use of gradient-free algorithms due to the non-smooth, highly non-linear nature of the underlying models. Within this paper, the reader will find descriptions of the physical context of each case, the corresponding optimization problem formulations, and clear guidelines on how to employ the suite.
• Abstract（参考訳）: ベンチマークはブラックボックス最適化アルゴリズムの開発と評価に不可欠であり、それらの検索動作を分析するための構造化された手段を提供する。 その有効性は、評価に使用される慎重に選択された問題集合に依存する。 現在、ブラックボックス最適化のためのほとんどのベンチマークスイートは、抽象的あるいは合成的な問題で構成されており、実際のエンジニアリングアプリケーションの複雑さを部分的に捉えるだけで、アプリケーション指向の最適化シナリオで得られる洞察を著しく制限し、その実践的影響を減らすことができる。 このギャップを埋めるために、構造力学に根ざした最適化ベンチマークのキュレートセットを提示し、それに対応する新しいベンチマークスイートを提案する。 現行のベンチマークは、非滑らかで非線形なモデルの性質のため、本来は勾配のないアルゴリズムを使わなければならない、車両の耐クラッシュ性シナリオから導出されている。 本稿では,各事例の物理的文脈,対応する最適化問題の定式化,スイートの活用方法についての明確なガイドラインについて述べる。

関連論文リスト

• A Standardized Benchmark Set of Clustering Problem Instances for Comparing Black-Box Optimizers [1.8133635942659796]
  データクラスタリング問題に基づく連続ブラックボックス最適化アルゴリズムの評価のための標準ベンチマークスイートを提案する。 我々のベンチマークセットはオープンソースであり、将来の研究での使用を促進するため、IOH prominentrベンチマークフレームワークと統合されています。
  論文  参考訳（メタデータ） (2025-05-14T09:16:19Z)
• Explainable Benchmarking for Iterative Optimization Heuristics [0.8192907805418583]
  我々は、様々な最適化アルゴリズムの性能を分析し、理解するためのIOH-Xplainerソフトウェアフレームワークを紹介する。 さまざまなアルゴリズムコンポーネントと構成の影響を調査し、さまざまなシナリオにおけるパフォーマンスに関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-01-31T14:02:26Z)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
  興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。 基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。 我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
  論文  参考訳（メタデータ） (2022-09-27T17:51:31Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• A unified surrogate-based scheme for black-box and preference-based optimization [2.561649173827544]
  ブラックボックスと嗜好に基づく最適化問題は密接に関連しており、同じアプローチのファミリを用いて解決可能であることを示す。 一般的なMSRSフレームワークを一般化した最適化手法である一般化されたメトリック応答面(gMRS)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-03T08:47:54Z)
• On the Optimality of Batch Policy Optimization Algorithms [106.89498352537682]
  バッチポリシー最適化は、環境と対話する前に既存のデータをポリシー構築に活用することを検討する。 信頼調整インデックスアルゴリズムは楽観的,悲観的,中立的いずれであってもミニマックス最適であることを示す。 最適値予測の本来の難易度を考慮した新しい重み付き最小値基準を提案する。
  論文  参考訳（メタデータ） (2021-04-06T05:23:20Z)
• Benchmarking for Metaheuristic Black-Box Optimization: Perspectives and Open Challenges [0.0]
  新たな最適化アルゴリズムの研究は、そのようなアルゴリズムが現実世界や産業に関係のある課題に対処する能力を改善するという動機に基づいていることが多い。 多くのテスト問題とベンチマークスイートが開発され、アルゴリズムの比較評価に利用されている。
  論文  参考訳（メタデータ） (2020-07-01T15:09:40Z)

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。