論文の概要: An Ensemble of Evolutionary Algorithms With Both Crisscross Search and Sparrow Search for Processing Inferior Individuals
- arxiv url: http://arxiv.org/abs/2601.10263v1
- Date: Thu, 15 Jan 2026 10:36:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-16 19:43:19.102744
- Title: An Ensemble of Evolutionary Algorithms With Both Crisscross Search and Sparrow Search for Processing Inferior Individuals
- Title（参考訳）: Crisscross Search と Sparrow Search を併用した進化的アルゴリズムのアンサンブル
- Authors: Mingxuan Du, Tingzhang Luo, Ziyang Wang, Chengjun Li,
- Abstract要約: 最近提案された2種類の進化的アルゴリズム - クリスクロスサーチとスパロウサーチ - を、劣等個人を処理するための二次進化的アルゴリズムとしてEA4eigに導入した。
実験の結果、EA4eigCSはEA4eigより優れており、最先端のアルゴリズムと比較して競争力があることがわかった。
- 参考スコア（独自算出の注目度）: 13.79887031590359
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the field of artificial intelligence, real parameter single objective optimization is an important direction. Both the Differential Evolution (DE) and the Covariance Matrix Adaptation Evolution Strategy (CMA-ES) demonstrate good performance for real parameter single objective optimization. Nevertheless, there exist other types of evolutionary algorithm for the purpose. In recent years, researchers begin to study long-term search. EA4eig - an ensemble of three DE variants and CMA-ES - performs well for long-term search. In this paper, we introduce two types of evolutionary algorithm proposed recently - crisscross search and sparrow search - into EA4eig as secondary evolutionary algorithms to process inferior individuals. Thus, EA4eigCS is obtained. In our ensemble, the secondary evolutionary algorithms are expected to vary distribution of the population for breaking stagnation. Experimental results show that our EA4eigCS outperforms EA4eig and is competitive when compared with state-of-the-art algorithms. Code and supplementary material are available at:https://anonymous.4open.science/r/EA4eigCS-2A43.
- Abstract（参考訳）: 人工知能の分野では、真のパラメータ単一目的最適化が重要な方向である。
The Differential Evolution (DE) and the Covariance Matrix Adaptation Evolution Strategy (CMA-ES) showed good performance for real parameters single objective optimization。
それにもかかわらず、この目的のために他の種類の進化的アルゴリズムが存在する。
近年、研究者は長期探索の研究を始めている。
EA4eig - DEの3つの変種とCMA-ESのアンサンブル - は、長期検索でよく機能する。
本稿では,最近提案された2種類の進化的アルゴリズム,クリスクロスサーチとスパロウサーチをEA4eigに導入し,劣等個人を処理するための二次進化的アルゴリズムを提案する。
これによりEA4eigCSが得られる。
我々のアンサンブルでは、二次進化的アルゴリズムは個体群の分布を変えることが期待されている。
実験の結果、EA4eigCSはEA4eigより優れており、最先端のアルゴリズムと比較して競争力があることがわかった。
コードと補足資料は、https://anonymous.4open.science/r/EA4eigCS-2A43で公開されている。
関連論文リスト
- Evolving Deep Learning Optimizers [0.0]
本稿では,ディープラーニング最適化アルゴリズムの発見のための遺伝的アルゴリズムフレームワークを提案する。
我々のアプローチは、プリミティブ更新項の組み合わせを指定するゲノムを符号化する。
アダムを2.6%上回る進化が見られた。
論文 参考訳（メタデータ） (2025-12-05T01:30:07Z) - Ecological Neural Architecture Search [0.0]
本稿ではNevo Ecological Neural Architecture Search (ENAS)を紹介する。
ENASは、進化的パラメータを候補のソリューションの表現型に直接組み込んでおり、アーキテクチャ仕様と並行して動的に進化することができる。
論文 参考訳（メタデータ） (2025-03-13T21:40:25Z) - Modified-Improved Fitness Dependent Optimizer for Complex and Engineering Problems [5.078139820108554]
FDO(Fitness dependent)は、新しいスウォーム知能アルゴリズムの1つである。
本研究は、M-IFDOと呼ばれるIFDOの修正版を提案する。
M-IFDOは5つの最先端アルゴリズムと比較される。
論文 参考訳（メタデータ） (2024-06-27T07:47:23Z) - Bridging Evolutionary Algorithms and Reinforcement Learning: A Comprehensive Survey on Hybrid Algorithms [50.91348344666895]
進化的強化学習(ERL)は進化的アルゴリズム(EA)と強化学習(RL)を統合して最適化する。
本調査では,ERLの多様な研究分野について概観する。
論文 参考訳（メタデータ） (2024-01-22T14:06:37Z) - Reinforcement Learning-assisted Evolutionary Algorithm: A Survey and
Research Opportunities [63.258517066104446]
進化的アルゴリズムの構成要素として統合された強化学習は,近年,優れた性能を示している。
本稿では,RL-EA 統合手法,RL-EA が採用する RL-EA 支援戦略,および既存文献による適用について論じる。
RL-EAセクションの適用例では、RL-EAのいくつかのベンチマークおよび様々な公開データセットにおける優れた性能を示す。
論文 参考訳（メタデータ） (2023-08-25T15:06:05Z) - 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) - Evolving Evolutionary Algorithms using Multi Expression Programming [0.0]
アルゴリズムのパラメータだけを進化させる代わりに、特定の問題を解決することができるEA全体を進化させます。
本稿では,機能最適化のための非世代EAについて述べる。
数値実験は、このアプローチの有効性を示している。
論文 参考訳（メタデータ） (2021-08-22T09:30:57Z) - On the Performance of Metaheuristics: A Different Perspective [0.0]
我々は,遺伝的アルゴリズム (GA), Particle Swarm Optimization (PSO), Artificial Bee Colony (ABC), Teaching-Learning-Based Optimization (TLBO), Cuckoo Optimization Algorithm (COA) のいくつかの基本的な進化的およびスワム知能メタヒューリスティックスについて検討した。
異なる特性を持つ20種類の最適化ベンチマーク関数について多数の実験が行われており、これらのメタヒューリスティックスの中での次の順位の他に、いくつかの基本的な結論が示されている。
論文 参考訳（メタデータ） (2020-01-24T09:34:10Z)
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。