論文の概要: Dogfight Search: A Swarm-Based Optimization Algorithm for Complex Engineering Optimization and Mountainous Terrain Path Planning

• arxiv url: http://arxiv.org/abs/2603.28046v1
• Date: Mon, 30 Mar 2026 05:20:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.240208
• Title: Dogfight Search: A Swarm-Based Optimization Algorithm for Complex Engineering Optimization and Mountainous Terrain Path Planning
• Title（参考訳）: Dogfight Search: 複雑なエンジニアリング最適化と山岳地形経路計画のためのSwarmベースの最適化アルゴリズム
• Authors: Yujing Sun, Jie Cai, Xingguo Xu, Yuansheng Gao, Lei Zhang, Kaichen Ouyang, Zhanyu Liu,
• Abstract要約: 本論文では,ドッグファイトサーチ(DoS)と呼ばれるメタヒューリスティックなメタヒューリスティックアルゴリズムを提案する。 DoSはアルゴリズムの枠組みをインスピレーションから引き出すが、その探索機構は運動学の変位積分方程式に基づいて構築されている。 DoSは7人の先進選手を抜いて総合成績を上回り、フリードマンランキングで1位となった。
• 参考スコア（独自算出の注目度）: 12.430120944942855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dogfight is a tactical behavior of cooperation between fighters. Inspired by this, this paper proposes a novel metaphor-free metaheuristic algorithm called Dogfight Search (DoS). Unlike traditional algorithms, DoS draws algorithmic framework from the inspiration, but its search mechanism is constructed based on the displacement integration equations in kinematics. Through experimental validation on CEC2017 and CEC2022 benchmark test functions, 10 real-world constrained optimization problems and mountainous terrain path planning tasks, DoS significantly outperforms 7 advanced competitors in overall performance and ranks first in the Friedman ranking. Furthermore, this paper compares the performance of DoS with 3 SOTA algorithms on the CEC2017 and CEC2022 benchmark test functions. The results show that DoS continues to maintain its lead, demonstrating strong competitiveness. The source code of DoS is available at https://ww2.mathworks.cn/matlabcentral/fileexchange/183519-dogfight-search.
• Abstract（参考訳）: ドッグファイト(英: Dogfight)は、戦闘員の協力の戦術的行動である。 そこで本研究では,Dogfight Search (DoS) と呼ばれるメタヒューリスティックなメタヒューリスティックアルゴリズムを提案する。 従来のアルゴリズムとは異なり、DoSはアルゴリズムの枠組みをインスピレーションから引き出すが、その探索機構はキネマティックスにおける変位積分方程式に基づいて構築されている。 CEC2017とCEC2022のベンチマークテスト機能、現実の制約された10の最適化問題、山岳地形計画タスクの検証を通じて、DoSは総合的なパフォーマンスで7つの先進的な競争相手を著しく上回り、フリードマンランキングで1位となった。 さらに,本研究では,CEC2017およびCEC2022ベンチマークテスト関数上でのDoSと3つのSOTAアルゴリズムの性能を比較した。 結果は、DoSが引き続きリードを維持し、強力な競争力を示していることを示している。 DoSのソースコードはhttps://ww2.mathworks.cn/matlabcentral/fileexchange/183519-dogfight-searchで公開されている。

関連論文リスト

• In Search of Excellence: SHOA as a Competitive Shrike Optimization Algorithm for Multimodal Problems [4.939986309170004]
  提案アルゴリズムの主なインスピレーションは、自然界におけるシロチョウの群れ行動から取られたものである。 最適化探索と利用の2つの部分は、シロイヌナズナの繁殖と食物の探索をモデル化して設計されている。 本論文は,SHOAが最適化を行うための数学的モデルである。
  論文  参考訳（メタデータ） (2024-07-09T11:19:37Z)
• Stochastic Optimal Control Matching [53.156277491861985]
  最適制御のための新しい反復拡散最適化(IDO)技術である最適制御マッチング(SOCM)を導入する。 この制御は、一致するベクトル場に適合しようとすることで、最小二乗問題を通じて学習される。 実験により,本アルゴリズムは最適制御のための既存のすべての IDO 手法よりも低い誤差を実現する。
  論文  参考訳（メタデータ） (2023-12-04T16:49:43Z)
• Battle royale optimizer with a new movement strategy [0.0]
  本稿では,探索と利用のバランスを改善するため,改良型BRO(M-BRO)を提案する。 この修正アルゴリズムの複雑さは、元のアルゴリズムと同じである。 その結果, 運動演算子を付加したBROは, 複雑な数値最適化問題を解くのに有効であることがわかった。
  論文  参考訳（メタデータ） (2022-01-19T16:36:13Z)
• 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)
• ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
  微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。 この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。 特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
  論文  参考訳（メタデータ） (2021-10-10T09:35:15Z)
• Waypoint Planning Networks [66.72790309889432]
  本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。 我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。 WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
  論文  参考訳（メタデータ） (2021-05-01T18:02:01Z)
• The Archerfish Hunting Optimizer: a novel metaheuristic algorithm for global optimization [0.8315801422499861]
  グローバル最適化は、目的関数を最小化することにより、現実の問題を数値的にあるいは分析的に解決する。 我々はArcherfish Hunting (AHO)に基づくグローバルメタヒスティックアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-03T16:22:31Z)
• TREGO: a Trust-Region Framework for Efficient Global Optimization [63.995130144110156]
  信頼領域型EGO法(TREGO)の提案と解析を行う。 TREGOは、信頼領域内の通常のEGOステップとローカルステップを交互に使用する。 我々のアルゴリズムは、最適化ステップのサブセットのみのために、EGOから離脱しながら、強いグローバル収束特性を享受する。
  論文  参考訳（メタデータ） (2021-01-18T00:14:40Z)
• Cat Swarm Optimization Algorithm -- A Survey and Performance Evaluation [0.9990687944474739]
  Cat Swarm Optimization (CSO)アルゴリズムは、頑健で強力なメタヒューリスティックなSwarmベースの最適化手法である。 本稿では,CSOアルゴリズムの詳細な調査と性能評価を行う。
  論文  参考訳（メタデータ） (2020-01-10T18:18:05Z)

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。