論文の概要: An improved clustering-based multi-swarm PSO using local diversification and topology information

• arxiv url: http://arxiv.org/abs/2511.17571v1
• Date: Fri, 14 Nov 2025 18:40:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.289546
• Title: An improved clustering-based multi-swarm PSO using local diversification and topology information
• Title（参考訳）: 局所的多様化と位相情報を用いたクラスタリングに基づくマルチスワームPSOの改良
• Authors: Yves Matanga, Yanxia Sun, Zenghui Wang,
• Abstract要約: クラスタリングに基づくマルチスワームアルゴリズムは、最も近い粒子を結合してニッチスワムを形成する最も効果的な手法の一つである。 本研究では,ピーク検出率を改善するための2つの改良を提案する。 まず,初期粒子を横断する予備的な局所探索を提案し,各局所領域が粒子の協調に先立って十分にスカウトされるようにした。 次に, 凹凸解析を行う探索的クラスタリング手法を提案し, 単一クラスタ内でのいくつかのサブニッチの可能性を評価する。
• 参考スコア（独自算出の注目度）: 1.5140493624413542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-swarm particle optimisation algorithms are gaining popularity due to their ability to locate multiple optimum points concurrently. In this family of algorithms, clustering-based multi-swarm algorithms are among the most effective techniques that join the closest particles together to form independent niche swarms that exploit potential promising regions. However, most clustering-based multi-swarms are Euclidean distance-based and only inquire about the potential of one peak within a cluster and thus can lose multiple peaks due to poor resolution. In a bid to improve the peak detection ratio, the current study proposes two enhancements. First, a preliminary local search across initial particles is proposed to ensure that each local region is sufficiently scouted prior to particle collaboration. Secondly, an investigative clustering approach that performs concavity analysis is proposed to evaluate the potential for several sub-niches within a single cluster. An improved clustering-based multi-swarm PSO (TImPSO) has resulted from these enhancements and has been tested against three competing algorithms in the same family using the IEEE CEC2013 niching datasets, resulting in an improved peak ratio for almost all the test functions.
• Abstract（参考訳）: 複数の最適点を同時に特定できるため、マルチスワーム粒子最適化アルゴリズムが人気を集めている。 このアルゴリズムでは、クラスタリングに基づくマルチスワームアルゴリズムが最も効果的な手法の一つであり、最も近い粒子を結合して、潜在的に有望な領域を利用する独立したニッチ群を形成する。 しかし、クラスタリングに基づくほとんどのマルチスワームはユークリッド距離に基づいており、クラスタ内の1つのピークのポテンシャルについてのみ問い合わせる。 ピーク検出率を改善するため,本研究では2つの改良点を提案する。 まず,初期粒子を横断する予備的な局所探索を提案し,各局所領域が粒子の協調に先立って十分にスカウトされるようにした。 次に, 凹凸解析を行う探索的クラスタリング手法を提案し, 単一クラスタ内でのいくつかのサブニッチの可能性を評価する。 クラスタリングベースのマルチスワムPSO(TImPSO)の改良は、これらの拡張によって実現され、IEEE CEC2013ニーチングデータセットを使用して、同じファミリーの競合する3つのアルゴリズムに対してテストされた。

関連論文リスト

• MIK: Modified Isolation Kernel for Biological Sequence Visualization, Classification, and Clustering [3.9146761527401424]
  本研究は,ガウスカーネルの代替として,改良分離カーネル (MIK) と呼ばれる新しいアプローチを提案する。 MIKは適応密度推定を用いて局所構造をより正確に捉え、ロバストネス対策を統合する。 局所的および大域的な構造の保存を改善し、組込み空間におけるクラスタとサブクラスタのより良い可視化を可能にする。
  論文  参考訳（メタデータ） (2024-10-21T06:57:09Z)
• Image Clustering Algorithm Based on Self-Supervised Pretrained Models and Latent Feature Distribution Optimization [4.39139858370436]
  本稿では,自己教師付き事前学習モデルと潜在特徴分布最適化に基づく画像クラスタリングアルゴリズムを提案する。 我々の手法は最新のクラスタリングアルゴリズムより優れ、最先端のクラスタリング結果が得られる。
  論文  参考訳（メタデータ） (2024-08-04T04:08:21Z)
• Fuzzy K-Means Clustering without Cluster Centroids [21.256564324236333]
  ファジィK平均クラスタリングは教師なしデータ分析において重要な手法である。 本稿では,クラスタセントロイドへの依存を完全に排除する,ファジィテクストK-Meansクラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-04-07T12:25:03Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Research on Efficient Fuzzy Clustering Method Based on Local Fuzzy Granular balls [67.33923111887933]
  本稿では,データをグラニュラーボールを用いてファジィにイテレーションし,その位置にある2つのグラニュラーボールのみをデータのメンバーシップ度として検討する。 ファジィグラニュラーボールセットは、異なるデータシナリオに直面して、より多くの処理方法を使用することができる。
  論文  参考訳（メタデータ） (2023-03-07T01:52:55Z)
• A Hybrid Chimp Optimization Algorithm and Generalized Normal Distribution Algorithm with Opposition-Based Learning Strategy for Solving Data Clustering Problems [0.0]
  本稿では、類似データと異種データを異なるグループに分類するコネクティビティ原則に基づいて、クラスタを分離するデータクラスタリングについて検討する。 メタヒューリスティック最適化アルゴリズムとインテリジェンスに基づく手法が,最適解を妥当な時間で達成するために導入された。
  論文  参考訳（メタデータ） (2023-02-16T23:29:01Z)
• Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
  サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。 我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。 我々は2つの異なる社会問題に対してアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2021-07-07T03:57:22Z)
• Determinantal consensus clustering [77.34726150561087]
  本稿では,クラスタリングアルゴリズムのランダム再起動における決定点プロセス (DPP) の利用を提案する。 DPPは部分集合内の中心点の多様性を好んでいる。 DPPとは対照的に、この手法は多様性の確保と、すべてのデータフェースについて良好なカバレッジを得るために失敗することを示す。
  論文  参考訳（メタデータ） (2021-02-07T23:48:24Z)
• Differentially Private Clustering: Tight Approximation Ratios [57.89473217052714]
  基本的なクラスタリング問題に対して,効率的な微分プライベートアルゴリズムを提案する。 この結果から,SampleとAggregateのプライバシーフレームワークのアルゴリズムの改善が示唆された。 1-Clusterアルゴリズムで使用されるツールの1つは、ClosestPairのより高速な量子アルゴリズムを適度な次元で得るために利用できる。
  論文  参考訳（メタデータ） (2020-08-18T16:22:06Z)

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。