論文の概要: Unleashing the Potential of Differential Evolution through Individual-Level Strategy Diversity

• arxiv url: http://arxiv.org/abs/2602.01147v1
• Date: Sun, 01 Feb 2026 10:45:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.624859
• Title: Unleashing the Potential of Differential Evolution through Individual-Level Strategy Diversity
• Title（参考訳）: 個人レベルの戦略多様性による差分進化の可能性の解き放つ
• Authors: Chenchen Feng, Minyang Chen, Zhuozhao Li, Ran Cheng,
• Abstract要約: 個人レベルの戦略多様性が差分進化の探索力学と性能に与える影響について検討する。 iStratDEは、突然変異とクロスオーバー戦略を個別に割り当てる最小限の変種である。 CEC2022ベンチマークスイートとロボット制御タスクの実験は、iStratDEが確立された適応Dの変種と一致するか、あるいは超えることを示した。
• 参考スコア（独自算出の注目度）: 6.921493684518839
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since Differential Evolution (DE) is sensitive to strategy choice, most existing variants pursue performance through adaptive mechanisms or intricate designs. While these approaches focus on adjusting strategies over time, the structural benefits that static strategy diversity may bring remain largely unexplored. To bridge this gap, we study the impact of individual-level strategy diversity on DE's search dynamics and performance, and introduce iStratDE (DE with individual-level strategies), a minimalist variant that assigns mutation and crossover strategies independently to each individual at initialization and keeps them fixed throughout the evolutionary process. By injecting diversity at the individual level without adaptation or feedback, iStratDE cultivates persistent behavioral heterogeneity that is especially effective with large populations. Moreover, its communication-free construction possesses intrinsic concurrency, thereby enabling efficient parallel execution and straightforward scaling for GPU computing. We further provide a convergence analysis of iStratDE under standard reachability assumptions, which establishes the almost-sure convergence of the best-so-far fitness. Extensive experiments on the CEC2022 benchmark suite and robotic control tasks demonstrate that iStratDE matches or surpasses established adaptive DE variants. These results highlight individual-level strategy assignment as a straightforward yet effective mechanism for enhancing DE's performance. The source code of iStratDE is publicly accessible at: https://github.com/EMI-Group/istratde.
• Abstract（参考訳）: 微分進化(DE)は戦略選択に敏感であるため、既存のほとんどの変種は適応的なメカニズムや複雑な設計を通して性能を追求している。 これらのアプローチは、時間の経過とともに戦略を調整することに重点を置いているが、静的戦略の多様性がもたらす構造上の利点は、まだほとんど解明されていないままである。 このギャップを埋めるために、我々は、個別レベルの戦略多様性がDEの探索力学と性能に与える影響を調査し、進化過程を通じて個別に突然変異と交差戦略を割り当てるミニマリストであるiStratDE(DE with individual-level Strategy)を導入する。 適応やフィードバックなしに個体レベルで多様性を注入することにより、iStratDEは個体群で特に有効である永続的な行動不均一性を育成する。 さらに、通信不要な構造は本質的に並行性を持ち、GPUコンピューティングの効率的な並列実行と簡単なスケーリングを可能にする。 さらに,iStratDEの収束解析を標準的到達性仮定の下で行うことにより,最良距離適合度をほぼ確実に収束させる。 CEC2022ベンチマークスイートとロボット制御タスクの広範な実験は、iStratDEが確立された適応型Dの変種と一致するか、あるいは超えることを示した。 これらの結果は、個人レベルの戦略割り当てを、DEのパフォーマンスを高めるための単純かつ効果的なメカニズムとして強調する。 iStratDEのソースコードは、https://github.com/EMI-Group/istratde.comで公開されている。

関連論文リスト

• Integrating Diverse Assignment Strategies into DETRs [61.61489761918158]
  ラベル割り当ては、特にDETRスタイルのフレームワークにおいて、オブジェクト検出器において重要なコンポーネントである。 我々は,任意のDETR型検出器に多様な割り当て戦略をシームレスに統合する,フレキシブルで軽量なフレームワークであるLoRA-DETRを提案する。
  論文  参考訳（メタデータ） (2026-01-14T07:28:54Z)
• Stratified GRPO: Handling Structural Heterogeneity in Reinforcement Learning of LLM Search Agents [90.45197506653341]
  大規模言語モデル(LLM)エージェントは、複雑なマルチステップ問題を解決するために、検索エンジンのような外部ツールに依存している。 サーチエージェントの軌道は構造的に不均一であり、サーチコールの数、配置、結果の変動は、根本的に異なる応答方向と報酬分布をもたらす。 1つのグローバルベースラインを使用する標準方針勾配法は、私たちが認識し、層間バイアスとして定式化するものに苦しむ。 本稿では,SAN (Stratified Advantage Normalization) の中心成分であるStratified GRPOを提案する。
  論文  参考訳（メタデータ） (2025-10-07T17:59:13Z)
• Evolutionary Policy Optimization [47.30139909878251]
  オンライン強化学習(RL)アルゴリズムは、高いパフォーマンスとトレーニング安定性のために広く利用されているが、より大きなバッチサイズでスケールするのに苦労している。 本稿では、EAのスケーラビリティと多様性と、政策勾配の性能と安定性を組み合わせたハイブリッドである進化的政策最適化(EPO)を提案する。
  論文  参考訳（メタデータ） (2025-03-24T18:08:54Z)
• Evolution-based Region Adversarial Prompt Learning for Robustness Enhancement in Vision-Language Models [52.8949080772873]
  本稿では,ER-APTと呼ばれる進化型領域逆アプティブチューニング手法を提案する。 各トレーニングイテレーションでは、まず従来の勾配法を用いてAEを生成する。 次に、AEsを最適化するために、選択、突然変異、交差を含む遺伝的進化機構を適用する。 最終進化型AEは、従来の単点対向的な高速チューニングの代わりに、地域ベースの対向最適化を実現するために用いられる。
  論文  参考訳（メタデータ） (2025-03-17T07:08:47Z)
• An Efficient Reconstructed Differential Evolution Variant by Some of the Current State-of-the-art Strategies for Solving Single Objective Bound Constrained Problems [5.095287502726488]
  本稿では,再構成微分進化 (Restructed differential evolution, RDE) と呼ばれる戦略再結合および再構成微分進化アルゴリズムを提案する。 2024年のIEEE Congress on Evolutionary Computationのベンチマークスイートに基づいて、RDEや他の先進的な微分進化変種を試験した。
  論文  参考訳（メタデータ） (2024-04-25T01:48:44Z)
• Variance-Reduced Gradient Estimation via Noise-Reuse in Online Evolution Strategies [50.10277748405355]
  Noise-Reuse Evolution Strategies (NRES) は、非バイアスのオンライン進化戦略の一般的なクラスである。 NRESの結果は既存のAD法やES法よりも早く,様々なアプリケーションにまたがるウォールクロック時間とステップ数で収束することを示す。
  論文  参考訳（メタデータ） (2023-04-21T17:53:05Z)
• Revisiting GANs by Best-Response Constraint: Perspective, Methodology, and Application [49.66088514485446]
  ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。 モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
  論文  参考訳（メタデータ） (2022-05-20T12:42:41Z)
• Adaptive strategy in differential evolution via explicit exploitation and exploration controls [0.0]
  本稿では,明示的適応スキーム (Ea scheme) という新しい戦略適応手法を提案する。 Eaスキームは複数の戦略を分離し、それらをオンデマンドで採用する。 ベンチマーク関数に関する実験的研究は、Eaスキームの有効性を示す。
  論文  参考訳（メタデータ） (2020-02-03T09:12:32Z)

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。