論文の概要: Deep Neural Network-guided PSO for Tracking a Global Optimal Position in Complex Dynamic Environment

• arxiv url: http://arxiv.org/abs/2604.14064v1
• Date: Wed, 15 Apr 2026 16:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.64491
• Title: Deep Neural Network-guided PSO for Tracking a Global Optimal Position in Complex Dynamic Environment
• Title（参考訳）: 複雑な動的環境における大域的最適位置追跡のためのディープニューラルネットワーク誘導型PSO
• Authors: Stephen Raharja, Toshiharu Sugawara,
• Abstract要約: 本研究では,粒子の動的環境における最適位置を求めるために,ディープニューラルネットワーク(DNN)を組み込んだ新しいパーティクルスワム最適化(PSO)モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.3867363075280543
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose novel particle swarm optimization (PSO) variants incorporated with deep neural networks (DNNs) for particles to pursue globally optimal positions in dynamic environments. PSO is a heuristic approach for solving complex optimization problems. However, canonical PSO and its variants struggle to adapt efficiently to dynamic environments, in which the global optimum moves over time, and to track them accurately. Many PSO algorithms improve convergence by increasing the swarm size beyond potential optima, which are global/local optima but are not identified until they are discovered. Additionally, in dynamic environments, several methods use multiple sub-population and re-diversification mechanisms to address outdated memory and local optima entrapment. To track the global optimum in dynamic environments with smaller swarm sizes, the DNNs in our methods determine particle movement by learning environmental characteristics and adapting dynamics to pursue moving optimal positions. This enables particles to adapt to environmental changes and predict the moving optima. We propose two variants: a swarm with a centralized network and distributed networks for all particles. Our experimental results show that both variants can track moving potential optima with lower cumulative tracking error than those of several recent PSO-based algorithms, with fewer particles than potential optima.
• Abstract（参考訳）: 本研究では,粒子の動的環境における最適位置を求めるために,ディープニューラルネットワーク(DNN)を組み込んだ新しいパーティクルスワム最適化(PSO)モデルを提案する。 PSOは複雑な最適化問題を解決するためのヒューリスティックなアプローチである。 しかし、標準PSOとその変種は、グローバルな最適度が時間とともに移動する動的な環境に効率よく適応し、それらを正確に追跡するのに苦労する。 多くのPSOアルゴリズムは、グローバル/ローカル・オプティマであるが発見されるまでは特定されない、潜在的なオプティマを超えてスワムサイズを増大させることで収束を改善する。 さらに、動的環境下では、複数のサブポピュレーションと再分散メカニズムを使用して、時代遅れのメモリと局所的なオプティマ包摂に対処する。 本手法のDNNは, 環境特性を学習し, 動的に適応し, 移動可能な最適位置を求めることにより, 粒子移動を推定する。 これにより粒子は環境変化に適応し、移動する最適度を予測することができる。 我々は,集中型ネットワークを備えたSwarmと,全粒子の分散ネットワークの2つの変種を提案する。 実験の結果, 両変種とも, PSO を用いた最近のアルゴリズムと比較して, 累積追従誤差の少ない移動可能粒子の追跡が可能であり, 潜在最適粒子よりも少ないことがわかった。

関連論文リスト

• Detect and Act: Automated Dynamic Optimizer through Meta-Black-Box Optimization [19.31451943915537]
  本稿では,進化アルゴリズムにおける自動変分検出と自己適応を実現するための強化学習支援手法を提案する。 本手法は, 自動環境変動検出と自己適応により, 未知のDOPに対して一般化することができる。
  論文  参考訳（メタデータ） (2026-01-30T04:28:27Z)
• AdapSCA-PSO: An Adaptive Localization Algorithm with AI-Based Hybrid SCA-PSO for IoT WSNs [11.516311202699931]
  本稿では,ハイブリッドメタヒューリスティックローカライゼーションアルゴリズムを提案する。 グローバル検索に有効なSine Cosine Algorithm(SCA)とローカル検索に優れたParticle Swarm Optimization(PSO)を統合する。 シミュレーションの結果、スタンドアロンのPSOと最適化されていないSCAPSOアルゴリズムと比較して、提案手法は必要なイテレーション数を大幅に削減し、平均的なローカライゼーション誤差を84.97%削減することを示した。
  論文  参考訳（メタデータ） (2025-07-30T01:18:54Z)
• Optimas: Optimizing Compound AI Systems with Globally Aligned Local Rewards [98.0983122471875]
  複合システムの効率的な最適化のための統一的なフレームワークであるOptimasを提案する。 各イテレーションにおいて、Optimasはローカルリワード関数(LRF)を効率よく適用し、各コンポーネントのローカル報酬を最大化しながら、この特性を維持する。 我々は,5つの実世界の化合物システムに対して広範な評価を行い,オプティマスが11.92%の平均的な改善によって強いベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2025-07-03T07:12:48Z)
• A Perturbation and Speciation-Based Algorithm for Dynamic Optimization Uninformed of Change [1.4425878137951238]
  Perturbation and Speciation-Based Particle Swarm Optimization (PSPSO) は、非インフォームド動的最適化のための頑健なアルゴリズムである。 PSPSOは、投射に基づくニチング、不活性化、DOPを処理するための新しいランダム摂動機構を組み合わせたものである。 PSPSOは、一般化された移動ピークベンチマークにおいて、高次元性または高周波数変化を持つ関数の強度を示す。
  論文  参考訳（メタデータ） (2025-05-16T18:53:37Z)
• Hallmarks of Optimization Trajectories in Neural Networks: Directional Exploration and Redundancy [75.15685966213832]
  最適化トラジェクトリのリッチな方向構造をポイントワイズパラメータで解析する。 トレーニング中のスカラーバッチノルムパラメータは,ネットワーク全体のトレーニング性能と一致していることを示す。
  論文  参考訳（メタデータ） (2024-03-12T07:32:47Z)
• Dynamically configured physics-informed neural network in topology optimization applications [4.403140515138818]
  物理インフォームドニューラルネットワーク(PINN)は、前方問題を解決する際に大量のデータを生成するのを避けることができる。 動的に構成された PINN-based Topology Optimization (DCPINN-TO) 法を提案する。 変位予測と最適化結果の精度は,DCPINN-TO法が効率的かつ効率的であることを示している。
  論文  参考訳（メタデータ） (2023-12-12T05:35:30Z)
• Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
  エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。 ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。 提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-10T00:21:10Z)
• Using Particle Swarm Optimization as Pathfinding Strategy in a Space with Obstacles [4.899469599577755]
  Particle Swarm Optimization (PSO) は集団適応最適化に基づく探索アルゴリズムである。 本稿では,幅広いアプリケーションを対象としたパスプランニングの効率化を図るため,パスフィニング戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-16T12:16:02Z)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。