論文の概要: S-LCG: Structured Linear Congruential Generator-Based Deterministic Algorithm for Search and Optimization

• arxiv url: http://arxiv.org/abs/2605.05198v1
• Date: Wed, 06 May 2026 17:57:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.984429
• Title: S-LCG: Structured Linear Congruential Generator-Based Deterministic Algorithm for Search and Optimization
• Title（参考訳）: S-LCG: 探索と最適化のための線形整列発生器に基づく決定論的アルゴリズム
• Authors: Ahmed Qasim Mohammed, Haider Banka, Anamika Singh,
• Abstract要約: 本研究では,Linear Congruential Generator (LCG) の特殊変種に基づく新しい決定論的最適化アルゴリズムを提案する。 発電機の内在構造が動機であり、構造線形連成発電機 (Structured Linear Congruential Generator, S-LCG) の命名の背景にある。
• 参考スコア（独自算出の注目度）: 3.033196534183858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study presents a novel deterministic optimization algorithm based on a special variant of the Linear Congruential Generator (LCG). While conventional algorithms generally operate within the search space, the introduced technique follows a two-level architecture. In particular, an external loop that adaptively balances between exploration and exploitation, while the internal loop evaluates solutions. It is motivated by the intrinsic structure of the generator, the reason behind naming it the Structured Linear Congruential Generator (S- LCG). which enjoys a number of unique characteristics as follows: 1) a memoryless scheme, which ensures non-overlapping sequences based on distinct seeds, thus ensuring no evaluation redundancy; 2) bit splitting representation, which converts LCG states into multi-dimensional points to overcome the Marsaglia lattice effect; 3) adaptive exploration-exploitation of the generator space, which leads to implicit optimization of the surrogate smooth objective function; and 4) constant information gathering speed to avoid the problem of premature convergence. Extensive testing on 26 benchmark functions across dimensions d = 2 to 30 demonstrates that S-LCG comes within 1% of the global optimum in 83.3% of 138 cases (100% at d = 2, 81.2% at d = 30) while the nearest competitor GA achieved 75.4%. Statistical validation shows that S-LCG outperforms eight cutting-edge binary algorithms. Furthermore, its practical value is confirmed by validation on three constrained engineering design problems. In the end, S-LCG offers an optimization framework that is strictly reproducible and requires only one sensitive parameter to be tuned.
• Abstract（参考訳）: 本研究では,Linear Congruential Generator (LCG) の特殊変種に基づく新しい決定論的最適化アルゴリズムを提案する。 従来のアルゴリズムは一般に検索空間内で動作するが、導入された手法は2段階のアーキテクチャに従う。 特に、内部ループが解を評価する間、探索と搾取の間に適応的にバランスをとる外部ループ。 ジェネレータの本質的な構造が動機であり、構造線形合同ジェネレータ (Structured Linear Congruential Generator, S-LCG) という名称の由来となっている。 次のような特徴を享受しています 1) 異なる種子に基づいて重複しない配列を保証し、評価冗長性を保証しない無記憶方式 2) LCG状態を多次元点に変換するビット分割表現は、Marsaglia格子効果を克服する。 3) 生成空間の適応的探索-探索により、サロゲートの滑らかな目的関数の暗黙の最適化が導かれる。 4) 初期収束の問題を回避するため, 情報収集速度を一定に設定した。 次元 d = 2 から 30 までの26のベンチマーク関数に対する徹底的なテストでは、S-LCG は 138 のケース (100%は d = 2, 81.2% で d = 30 で) の 83.3% で世界の最適値の 1% 以内にあるのに対し、最も近い競合 GA は 75.4% である。 統計的検証により、S-LCGは8つの最先端バイナリアルゴリズムより優れていることが示された。 さらに,3つの制約付きエンジニアリング設計問題に対する検証により,その実用性を確認した。 結局のところ、S-LCGは厳密に再現可能な最適化フレームワークを提供しており、調整すべきパラメータは1つだけである。

関連論文リスト

• AdaExplore: Failure-Driven Adaptation and Diversity-Preserving Search for Efficient Kernel Generation [59.964989458924585]
  AdaExploreは、パフォーマンスクリティカルなカーネルコード生成のための蓄積された実行フィードバックによる自己改善を可能にするエージェントフレームワークである。 適応段階では、エージェントはタスクを合成し、繰り返し発生する障害を有効ルールの再利用可能なメモリに変換する。 探索段階では、候補核を木として整理し、小さな局所精製とより大きな構造再生を交互に行う。
  論文  参考訳（メタデータ） (2026-04-17T18:25:03Z)
• Lens-descriptor guided evolutionary algorithm for optimization of complex optical systems with glass choice [0.8737619431048763]
  マルチモーダルレンズ最適化のための2段階フレームワークであるLens Descriptor-Guided Evolutionary Algorithm (LDG-EA)を提案する。 24変数のトポロジーでは、LDG-EAは636個の記述子にまたがる平均14500個の候補ミニマを生成する。 LDG-EAの最高の設計は、微調整された参照レンズよりも若干悪いが、性能は変わらない。
  論文  参考訳（メタデータ） (2026-01-29T18:13:24Z)
• Efficient Differentiable Causal Discovery via Reliable Super-Structure Learning [51.20606796019663]
  本稿では,新たな因果発見パイプラインであるALVGLを提案する。 ALVGLはスパース分解とローランク分解を用いてデータの精度行列を学習する。 ALVGLは最先端の精度を達成するだけでなく、最適化効率を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-01-09T02:18:59Z)
• QUASAR: An Evolutionary Algorithm to Accelerate High-Dimensional Optimization [0.0]
  本稿では,漸近再帰型準適応探索(quaSAR)を提案する。 QUASARは、次元の呪いによる複雑で微分不可能な問題の収束を加速する進化的アルゴリズムである。
  論文  参考訳（メタデータ） (2025-11-17T19:02:31Z)
• A Gradient Meta-Learning Joint Optimization for Beamforming and Antenna Position in Pinching-Antenna Systems [63.213207442368294]
  マルチ導波路ピンチアンテナシステムの新しい最適化設計について検討する。 提案したGML-JOアルゴリズムは,既存の最適化手法と比較して,様々な選択や性能に頑健である。
  論文  参考訳（メタデータ） (2025-06-14T17:35:27Z)
• Optimized Clifford Noise Reduction: Theory, Simulations and Experiments [2.685668802278156]
  本稿では,CliNR部分誤り訂正方式の最適化について述べる。 誤差は、パウリ作用素の列を測定することによって補正される。 提案アルゴリズムは,CliNRの性能を25%向上させる。
  論文  参考訳（メタデータ） (2025-04-17T21:47:38Z)
• Efficient Convex Algorithms for Universal Kernel Learning [46.573275307034336]
  カーネルの理想的な集合: 線形パラメータ化(トラクタビリティ)を認める; すべてのカーネルの集合に密着する(正確性)。 従来のカーネル最適化アルゴリズムは分類に限られており、計算に複雑なセミデフィニティプログラミング(SDP)アルゴリズムに依存していた。 本稿では,従来のSDP手法と比較して計算量を大幅に削減するSVD-QCQPQPアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-15T04:57:37Z)
• Explicit Second-Order Min-Max Optimization: Practical Algorithms and Complexity Analysis [71.05708939639537]
  本研究では,非制約問題に対するグローバルなサドル点を求めるために,不正確なNewton型手法をいくつか提案し,解析する。 提案手法は,Sur分解の必要回数の$O(log(1/eps)$因子をシェービングすることで,既存のライン検索に基づくmin-max最適化を改善する。
  論文  参考訳（メタデータ） (2022-10-23T21:24:37Z)

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。