論文の概要: Surrogate-based Optimization via Clustering for Box-Constrained Problems

• arxiv url: http://arxiv.org/abs/2601.07442v1
• Date: Mon, 12 Jan 2026 11:29:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.362983
• Title: Surrogate-based Optimization via Clustering for Box-Constrained Problems
• Title（参考訳）: ボックス制約問題に対するクラスタリングによるサロゲート最適化
• Authors: Maaz Ahmad, Iftekhar A. Karimi,
• Abstract要約: 本稿では,クラスタリングに基づく新しいサロゲートベース最適化フレームワークであるSBOCを提案する。 各イテレーションでは、ドメイン全体に対して単一のサロゲートモデルを使用し、探索されていないドメインを特定するためにk平均クラスタリングを採用し、サロゲート最適化周辺のローカルリージョンを利用する。 これは、ほとんどのテスト関数に対して、他のアルゴリズムよりも計算労力がかなり少ない大域的な最小値を特定した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global optimization of large-scale, complex systems such as multi-physics black-box simulations and real-world industrial systems is important but challenging. This work presents a novel Surrogate-Based Optimization framework based on Clustering, SBOC for global optimization of such systems, which can be used with any surrogate modeling technique. At each iteration, it uses a single surrogate model for the entire domain, employs k-means clustering to identify unexplored domain, and exploits a local region around the surrogate optimum to potentially add three new sample points in the domain. SBOC has been tested against sixteen promising benchmarking algorithms using 52 analytical test functions of varying input dimensionalities and shape profiles. It successfully identified a global minimum for most test functions with substantially lower computational effort than other algorithms. It worked especially well on test functions with four or more input variables. It was also among the top six algorithms in approaching a global minimum closely. Overall, SBOC is a robust, reliable, and efficient algorithm for global optimization of box-constrained systems.
• Abstract（参考訳）: マルチ物理ブラックボックスシミュレーションや実世界の産業システムといった大規模複雑なシステムのグローバルな最適化は重要であるが困難である。 本研究は,クラスタリングに基づく新しいサロゲートベース最適化フレームワークであるSBOCを,任意のサロゲートモデリング手法で使用することができる。 各イテレーションでは、ドメイン全体に対して単一のサロゲートモデルを使用し、探索されていないドメインを特定するためにk平均クラスタリングを使用し、サロゲート最適化周辺のローカルリージョンを利用して、ドメインに3つの新しいサンプルポイントを追加する。 SBOCは、入力次元と形状の異なる52の解析的テスト関数を用いて、16の有望なベンチマークアルゴリズムに対して試験されている。 これは、ほとんどのテスト関数に対して、他のアルゴリズムよりも計算労力がかなり少ない大域的な最小値を特定した。 これは4つ以上の入力変数を持つテスト関数で特にうまく機能した。 また、世界最小に近づいた上位6つのアルゴリズムの1つでもある。 全体として、SBOCはボックス制約システムのグローバル最適化のための堅牢で信頼性が高く効率的なアルゴリズムである。

関連論文リスト

• LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
  このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。 このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-03T18:12:29Z)
• Localized Zeroth-Order Prompt Optimization [54.964765668688806]
  そこで我々は,ZOPO(Localized zeroth-order prompt optimization)という新しいアルゴリズムを提案する。 ZOPOはニューラル・タンジェント・カーネルをベースとしたガウス法を標準ゼロ階次最適化に取り入れ、高速な局所最適探索を高速化する。 注目すべきは、ZOPOは最適化性能とクエリ効率の両方の観点から、既存のベースラインを上回っていることだ。
  論文  参考訳（メタデータ） (2024-03-05T14:18:15Z)
• ProGO: Probabilistic Global Optimizer [9.772380490791635]
  本稿では,いくつかの温和な条件下でのグローバルオプティマに収束するアルゴリズムを開発する。 提案アルゴリズムは,従来の最先端手法よりも桁違いに優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-04T22:23:40Z)
• 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)
• Mining Large Independent Sets on Massive Graphs [47.21699378695116]
  ARCISは、巨大なグラフ上の大きな独立した集合をマイニングするための効率的なアルゴリズムである。 ARCISは、ほとんどのインスタンスで最高の、または最も結びついたソリューション品質が得られることを示す。
  論文  参考訳（メタデータ） (2022-08-16T14:39:38Z)
• An Exact Algorithm for Semi-supervised Minimum Sum-of-Squares Clustering [0.5801044612920815]
  半教師付きMSSCのための分岐結合アルゴリズムを提案する。 背景知識はペアワイズ・マスタリンクと結びつかない制約として組み込まれている。 提案したグローバル最適化アルゴリズムは,実世界のインスタンスを最大800個のデータポイントまで効率的に解決する。
  論文  参考訳（メタデータ） (2021-11-30T17:08:53Z)
• Fighting the curse of dimensionality: A machine learning approach to finding global optima [77.34726150561087]
  本稿では,構造最適化問題におけるグローバル最適化の方法を示す。 特定のコスト関数を利用することで、最適化手順が確立された場合と比較して、グローバルをベストに得るか、最悪の場合、優れた結果を得るかのどちらかを得る。
  論文  参考訳（メタデータ） (2021-10-28T09:50:29Z)
• The Minimax Complexity of Distributed Optimization [0.0]
  分散最適化に適用可能な古典的なオラクルフレームワークの拡張である「グラフオラクルモデル」を紹介します。 私は「間欠的コミュニケーション設定」の具体例に焦点をあてる コンベックス設定におけるSGD(Local Descent)アルゴリズムの理論的特性を解析する。
  論文  参考訳（メタデータ） (2021-09-01T15:18:33Z)
• BOP-Elites, a Bayesian Optimisation algorithm for Quality-Diversity search [0.0]
  本稿では,エリートアルゴリズム(BOP-Elites)のベイズ最適化を提案する。 機能領域のユーザ定義領域を‘ニッチ’として考えることで、ニッチ毎に最適なソリューションを見つけることが私たちのタスクになります。 得られたアルゴリズムは、特徴空間におけるニッチに属する探索空間の部分を特定し、ニッチごとに最適な解を見つけるのに非常に効果的である。
  論文  参考訳（メタデータ） (2020-05-08T23:49:13Z)
• DEFT-FUNNEL: an open-source global optimization solver for constrained grey-box and black-box problems [0.0]
  DEFT-FUNNELは、一般的な制約付きグレーボックス問題とブラックボックス問題に対する、オープンソースのグローバル最適化アルゴリズムである。 実験に使用するテストセットのコードもGithubリポジトリから入手可能だ。
  論文  参考訳（メタデータ） (2019-12-29T11:43:53Z)

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。