論文の概要: Constrained Hybrid Metaheuristic: A Universal Framework for Continuous Optimisation

• arxiv url: http://arxiv.org/abs/2603.18295v1
• Date: Wed, 18 Mar 2026 21:32:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.854445
• Title: Constrained Hybrid Metaheuristic: A Universal Framework for Continuous Optimisation
• Title（参考訳）: 制約付きハイブリッドメタヒューリスティック:継続的最適化のためのユニバーサルフレームワーク
• Authors: Piotr A. Kowalski, Szymon Kucharczyk, Jacek Mańdziuk,
• Abstract要約: 本稿では、連続最適化のための一般的なフレームワークとして制約付きハイブリッドメタヒューリスティック(cHM)アルゴリズムを提案する。 実験的なベンチマークでは、cHMはソリューションの品質とコンポーネントの最適化の点で従来のメタヒューリスティックよりも優れています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents the constrained Hybrid Metaheuristic (cHM) algorithm as a general framework for continuous optimisation. Unlike many existing metaheuristics that are tailored to specific function classes or problem domains, cHM is designed to operate across a broad spectrum of objective functions, including those with unknown, heterogeneous, or complex properties such as non-convexity, non-separability, and varying smoothness. We provide a formal description of the algorithm, highlighting its modular structure and two-phase operation, which facilitates dynamic adaptation to the problem's characteristics. A key feature of cHM is its ability to harness synergy between both candidate solutions and component metaheuristic strategies. This property allows the algorithm to apply the most appropriate search behaviour at each stage of the optimisation process, thereby improving convergence and robustness. Our extensive experimental evaluation on 28 benchmark functions demonstrates that cHM consistently matches or outperforms traditional metaheuristics in terms of solution quality and convergence speed. In addition, a practical application of the algorithm is demonstrated for a feature selection problem in the context of data classification. The results underscore its potential as a versatile and effective black-box optimiser suitable for both theoretical research and practical applications.
• Abstract（参考訳）: 本稿では、連続最適化のための一般的なフレームワークとして制約付きハイブリッドメタヒューリスティック(cHM)アルゴリズムを提案する。 特定の関数クラスや問題領域に合わせた多くの既存のメタヒューリスティックとは異なり、cHMは未知、不均一、あるいは非凸性、非分離性、および様々な滑らかさなどの複雑な性質を持つものを含む、幅広い目的関数の範囲で機能するように設計されている。 本稿では,モジュール構造と2相演算に着目したアルゴリズムの形式的記述を行い,問題の特性への動的適応を容易にする。 cHMの重要な特徴は、候補解とコンポーネントメタヒューリスティック戦略の相乗効果を利用する能力である。 この特性により、アルゴリズムは最適化プロセスの各段階で最も適切な探索動作を適用でき、収束性と堅牢性を向上させることができる。 28のベンチマーク関数に対する広範な実験的評価により、cHMは解の質と収束速度の点で従来のメタヒューリスティックと一貫して一致し、より優れることを示した。 さらに,データ分類の文脈における特徴選択問題に対して,本アルゴリズムの実用的応用を実証した。 この結果は、理論研究と実用的な応用の両方に適する汎用的で効果的なブラックボックスオプティマイザとしての可能性を強調している。

関連論文リスト

• Applying Grover-mixer Quantum Alternating Operator Ansatz Algorithm to High-order Unconstrained Binary Optimization Problems [0.21847754147782883]
  Grover-mixer(GM-QAOA)は、グローバル検索機能のために魅力的な代替手段を提供する。 GM-QAOAはXM-QAOAとは異なり,回路深度で単調な性能向上を示す。
  論文  参考訳（メタデータ） (2025-12-28T18:01:20Z)
• Constrained Hybrid Metaheuristic Algorithm for Probabilistic Neural Networks Learning [0.3686808512438362]
  本研究では、確率論的ニューラルネットワーク(PNN)のトレーニングを強化するためのハイブリッドメタヒューリスティックアルゴリズムの可能性について検討する。 勾配に基づくアプローチのような伝統的な学習手法は、しばしば高次元で不確実な環境を最適化するのに苦労する。 本稿では,複数の個体群に基づく最適化手法を組み合わせた制約付きハイブリッドメタヒューリスティック(cHM)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-26T19:49:16Z)
• Optimization by Parallel Quasi-Quantum Annealing with Gradient-Based Sampling [0.0]
  本研究では、連続緩和による勾配に基づく更新と準量子アナリング(QQA)を組み合わせた別のアプローチを提案する。 数値実験により,本手法はiSCOと学習型解法に匹敵する性能を有する汎用解法であることが示された。
  論文  参考訳（メタデータ） (2024-09-02T12:55:27Z)
• Consistent Submodular Maximization [27.266085572522847]
  定性制約下での単調部分モジュラ関数の最大化は、データマイニングや機械学習におけるいくつかの応用において古典的な最適化課題である。 本稿では, 安定解を持ちながら, ストリーミング方式で要素が到着し, 最適解に対する定数近似が維持されるという, 一貫性の制約のある動的環境において, この問題を考察する。 この設定では、一貫性と近似品質のトレードオフが異なるアルゴリズムを提供しています。
  論文  参考訳（メタデータ） (2024-05-30T11:59:58Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Multi-objective robust optimization using adaptive surrogate models for problems with mixed continuous-categorical parameters [0.0]
  ロバスト設計の最適化は、不確実性が主に目的関数に影響を与える場合、伝統的に考慮されている。 結果として生じるネスト最適化問題は、非支配的ソート遺伝的アルゴリズム(NSGA-II)において、汎用的な解法を用いて解決することができる。 提案手法は、適応的に構築されたKrigingモデルを用いて、NSGA-IIを順次実行し、量子を推定する。
  論文  参考訳（メタデータ） (2022-03-03T20:23:18Z)
• SUPER-ADAM: Faster and Universal Framework of Adaptive Gradients [99.13839450032408]
  一般的な問題を解決するための適応アルゴリズムのための普遍的な枠組みを設計することが望まれる。 特に,本フレームワークは,非収束的設定支援の下で適応的手法を提供する。
  論文  参考訳（メタデータ） (2021-06-15T15:16:28Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)
• On the Global Optimality of Model-Agnostic Meta-Learning [133.16370011229776]
  モデル・ア・メタラーニング(MAML)は、メタラーニングを二段階最適化問題として定式化し、内部レベルが各サブタスクを、共有された事前に基づいて解決する。 学習と教師あり学習の両方においてMAMLが達成した定常点の最適性を特徴付ける。
  論文  参考訳（メタデータ） (2020-06-23T17:33:14Z)

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。