論文の概要: SEB-ChOA: An Improved Chimp Optimization Algorithm Using Spiral Exploitation Behavior

• arxiv url: http://arxiv.org/abs/2512.05981v1
• Date: Wed, 26 Nov 2025 23:46:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 04:16:52.491194
• Title: SEB-ChOA: An Improved Chimp Optimization Algorithm Using Spiral Exploitation Behavior
• Title（参考訳）: SEB-ChOA:スパイラル爆発挙動を用いた改良型チップ最適化アルゴリズム
• Authors: Leren Qian, Mohammad Khishe, Yiqian Huang, Seyedali Mirjalili,
• Abstract要約: チンパンジーの個人の知性と狩猟行動を模倣した自然に着想を得たアルゴリズムである。 本稿では、6つのスパイラル関数を提案し、2つの新しいハイブリッドスパイラル関数(SEB-ChOA)を導入し、これらの欠陥に対処する。 SEB-ChOAの性能は、標準的な23のベンチマーク、IEEE CEC-2005テストスイートの20のベンチマーク、IEEE CEC06-2019テストスイートの10のケース、および12の制約付き実世界のエンジニアリング問題で評価されている。
• 参考スコア（独自算出の注目度）: 22.87976383190481
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The chimp optimization algorithm (ChOA) is a nature-inspired algorithm that imitates chimpanzees' individual intelligence and hunting behaviors. In this algorithm, the hunting process consists of four steps: driving, blocking, chasing, and attacking. Because of the novelty of ChOA, the steps of the hunting process have been modeled in a simple way, leading to slow and premature convergence similar to other iterative algorithms. This paper proposes six spiral functions and introduces two novel hybrid spiral functions (SEB-ChOA) to address these deficiencies. The performance of SEB-ChOA is evaluated on 23 standard benchmarks, 20 benchmarks of the IEEE CEC-2005 test suite, 10 cases from the IEEE CEC06-2019 test suite, and 12 constrained real-world engineering problems from IEEE CEC-2020. The SEB-ChOA variants are compared with three groups of optimization algorithms, including Particle Swarm Optimization (PSO) and Genetic Algorithm (GA) as well-known optimizers; Slime Mould Algorithm (SMA), Marine Predators Algorithm (MPA), Ant Lion Optimization (ALO), and Henry Gas Solubility Optimization (HGSO) as recently developed optimizers; and jDE100 and DISHchain1e+12, the winners of the IEEE CEC06-2019 competition. Additional comparisons are made with EBOwithCMAR and CIPDE as strong secondary baselines. The SEB-ChOA methods achieve top-ranked results on nearly all benchmarks and show competitive performance compared to jDE100 and DISHchain1e+12. Statistical results indicate that SEB-ChOA outperforms PSO, GA, SMA, MPA, ALO, and HGSO while producing results comparable to those of jDE100 and DISHchain1e+12.
• Abstract（参考訳）: チンパンジーの個人の知性と狩猟行動を模倣した自然に着想を得たアルゴリズムである。 このアルゴリズムでは、狩りのプロセスは、運転、ブロック、追跡、攻撃の4つのステップから構成される。 ChOAの新規性のため、狩猟過程のステップは単純な方法でモデル化され、他の反復アルゴリズムと同様に遅く、早々に収束する。 本稿では、6つのスパイラル関数を提案し、2つの新しいハイブリッドスパイラル関数(SEB-ChOA)を導入し、これらの欠陥に対処する。 SEB-ChOAの性能は、IEEE CEC-2005テストスイートの23の標準ベンチマーク、IEEE CEC06-2019テストスイートの20のベンチマーク、IEEE CEC-2020の12の制約付き実世界のエンジニアリング問題で評価されている。 SEB-ChOAの変種は、よく知られた最適化アルゴリズムとしてParticle Swarm Optimization (PSO) と Genetic Algorithm (GA)、最近開発された最適化アルゴリズムとしてSlime Mould Algorithm (SMA)、Marine Predators Algorithm (MPA)、Ant Lion Optimization (ALO)、Henry Gas Solubility Optimization (HGSO)、IEEE CEC06-2019コンペティションの勝者であるjDE100とdisHchain1e+12の3つの最適化アルゴリズムと比較される。 さらに、EBOwithCMARとCIPDEを強力な二次ベースラインとして比較する。 SEB-ChOA法は,jDE100 や DISHchain1e+12 と比較して,ほぼすべてのベンチマークで上位にランクされた結果が得られる。 SEB-ChOA は PSO, GA, SMA, MPA, ALO, HGSO より優れ, jDE100 および DISHchain1e+12 に匹敵する結果が得られた。

関連論文リスト

• Robust Differential Evolution via Nonlinear Population Size Reduction and Adaptive Restart: The ARRDE Algorithm [0.010411372746649314]
  ARRDE は LSHADE アルゴリズム上に構築され,jSO の鍵機構を組み込んだ非線形人口削減戦略を導入している。 ARRDEは、考慮されたすべてのベンチマークスイートの中で、トップレベルのパフォーマンスを一貫して示す。
  論文  参考訳（メタデータ） (2025-11-23T12:50:25Z)
• GOOSE Algorithm: A Powerful Optimization Tool for Real-World Engineering Challenges and Beyond [4.939986309170004]
  GOOSEアルゴリズムは19のよく知られたテスト関数でベンチマークされる。 提案アルゴリズムは, 最新のベンチマーク関数10を用いて検証する。 得られた結果は,提案アルゴリズムの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2023-07-19T19:14:25Z)
• Efficient Convex Algorithms for Universal Kernel Learning [46.573275307034336]
  カーネルの理想的な集合: 線形パラメータ化(トラクタビリティ)を認める; すべてのカーネルの集合に密着する(正確性)。 従来のカーネル最適化アルゴリズムは分類に限られており、計算に複雑なセミデフィニティプログラミング(SDP)アルゴリズムに依存していた。 本稿では,従来のSDP手法と比較して計算量を大幅に削減するSVD-QCQPQPアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-15T04:57:37Z)
• Massively Parallel Genetic Optimization through Asynchronous Propagation of Populations [50.591267188664666]
  Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。 提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。 Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
  論文  参考訳（メタデータ） (2023-01-20T18:17:34Z)
• Duck swarm algorithm: theory, numerical optimization, and applications [6.244015536594532]
  本研究では,Duck Swarm Algorithm (DSA) という,群知能に基づく最適化アルゴリズムを提案する。 2つのルールは、提案されたDSAの探索と利用段階に対応するアヒルの餌の発見と採餌からモデル化される。 その結果, DSAは収束速度と探索・探索のバランスの観点から, 高性能な最適化手法であることがわかった。
  論文  参考訳（メタデータ） (2021-12-27T04:53:36Z)
• Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
  バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。 両レベル最適化のための2つの新しいアルゴリズムを提案する。 両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-08T21:05:30Z)
• 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)
• 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。