論文の概要: Drain-Vortex Optimization: A Population-Based Metaheuristic Inspired by Multi-Drain Free-Vortex Flow

• arxiv url: http://arxiv.org/abs/2605.08883v1
• Date: Sat, 09 May 2026 11:06:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 15:01:28.458642
• Title: Drain-Vortex Optimization: A Population-Based Metaheuristic Inspired by Multi-Drain Free-Vortex Flow
• Title（参考訳）: ドレイン渦最適化:マルチドレイン自由渦流にインスパイアされた個体群に基づくメタヒューリスティック
• Abstract要約: Drain-Vortex Optimization (DVO) は連続最適化のための個体群に基づくメタヒューリスティックである。 3相機構は遠距離探査、スパイラル内向き運動、局所コアエクスプロイトの間を切り替える。 キャリブレーションバリデーションプロトコルを用いて,PSO,GWO,WOA,AOA,EO,SVOAに対してDVOを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes Drain-Vortex Optimization (DVO), a population-based metaheuristic for continuous optimization. DVO models each candidate solution as a particle moving in a multi-drain vortex field. Its update rule decomposes motion into radial attraction toward selected drain centres and tangential rotation governed by a regularized free-vortex law. A three-phase mechanism switches between far-field exploration, spiral inward motion, and localized core exploitation according to the normalized distance to the assigned drain. The method also uses adaptive spiral exploitation, population-level vortex basin assignment, and optional stochastic basin switching to support structured diversity. DVO is evaluated against PSO, GWO, WOA, SCA, AOA, EO, and SVOA using a calibration--validation protocol. CEC 2022 is used only to select the final DVO configuration, while CEC 2017, classical functions, and five constrained engineering design problems are used for out-of-sample validation. On CEC 2017, DVO achieves the best mean $\log_{10}$ error on 34 of 58 cases and the best Friedman average rank (1.67), and is significantly better than every baseline under Holm-corrected Wilcoxon tests. On CEC 2022, DVO obtains the best Friedman rank (2.13) and is significantly better than five of the seven baselines; the differences against PSO and SVOA are not significant. DVO is less competitive on simple scalable classical functions and on small constrained engineering designs, which clarifies its operating regime. The algorithm is implemented in a vectorized GPU form that executes independent runs in parallel.
• Abstract（参考訳）: 本稿では,個体群に基づく連続的な最適化のためのメタヒューリスティックDVOを提案する。 DVOは、各候補解を多次元渦場を移動する粒子としてモデル化する。 その更新規則は、選択された排水中心に対する放射状アトラクションへの移動と、正規化された自由渦法によって支配される接角回転を分解する。 3相機構は、割り当てられたドレインへの正規化距離に応じて遠距離探査、スパイラル内向き運動、および局所化されたコアエクスプロイトを切り替える。 この方法は、適応的なスパイラル利用、人口レベルのボルテックス盆地割り当て、および構造的多様性をサポートするためにオプションの確率的盆地切替も利用している。 キャリブレーション検証プロトコルを用いて, PSO, GWO, WOA, SCA, AOA, EO, SVOAに対してDVOを評価する。 CEC 2022は最終的なDVO構成を選択するためにのみ使用されるが、CEC 2017では古典関数と5つの制約付きエンジニアリング設計問題がサンプル外検証に使用される。 CEC 2017において、DVOは58ケース中34ケースにおいて最高平均$\log_{10}$エラーを達成し、フリードマン平均ランク(1.67)を達成し、ホルム補正ウィルコクソン試験における全てのベースラインよりもはるかに良い。 CEC 2022では、DVOは最高のフリードマンランク(2.13)を獲得し、7つのベースラインのうち5つよりも大幅に優れている。 DVOは、単純なスケーラブルな古典関数や、その運用体制を明確にした小さな制約のあるエンジニアリング設計において、競争力は低い。 このアルゴリズムは、独立実行を並列に実行するベクトル化されたGPU形式で実装されている。

関連論文リスト

• OPUS-V2: Bridging the Gap between Sparse Points and Dense Voxels [74.61043439622689]
  OPUS-V2(OPUS-V2)を提案する。 OPUS-V2はデコーダの後方に軽量な点ボクセル変換(PVT)モジュールを組み込んで、スパース予測を密度の高いボクセル空間に適応的にマッピングする。 我々のアーキテクチャは特徴と占有率の生成プロセスを分離し、OPUS-V2が任意の占有率の解決に適応できるようにします。
  論文  参考訳（メタデータ） (2026-08-29T10:45:34Z)
• LC-GRPO: Bridging Train-Inference Gap for Flow-Based GRPO with Langevin Correction [59.32834240526981]
  フローベース生成モデルは典型的には、決定論的常微分方程式(ODE)を解くことによってサンプリングされる 既存の流れモデルのためのGRPO法は、訓練中にオイラー時間ODEを非等方微分方程式(SDE)に置き換える。 本稿では,フローベースGRPOフレームワークであるLC-GRPOを紹介する。
  論文  参考訳（メタデータ） (2026-08-06T04:47:57Z)
• FlowAWR: Online Adaptive Flow Reinforcement via Advantage-Weighted Rectification [8.844630850243929]
  FlowAWRは、理論上最適な速度場に対する教師付き回帰として、連続生成ポリシー最適化をリキャストする。 マルチリワード制約の下では、FlowAWRは生成品質を維持し、安定したドメイン外のパフォーマンスを維持しながら構造ルールを満たす。
  論文  参考訳（メタデータ） (2026-06-29T14:37:36Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• Entropy Across the Bridge: Conditional-Marginal Discretization for Flow and Schrödinger Samplers [68.9946633641494]
  フローマッチングとシュルディンガーブリッジは確率を定義するが、その推論格子は通常一点拡散から受け継がれる。 終端条件付き橋梁形状を境界流の進化から分離し, 橋梁を識別する条件付きエントロピーレートを導出する。 EDM/CIFAR-10では、エントロピックな時間分散は5段階のFID(186.3 pm 4.0対200.5 pm 2.9対cosineの238.0 pm 5.3)が最適である。
  論文  参考訳（メタデータ） (2026-05-15T16:11:10Z)
• Frenetic Cat-inspired Particle Optimization: a Markov state-switching hybrid swarm optimizer with application to cardiac digital twinning [0.6978367196609415]
  Frenetic Cat-Inspired Optimization (FCPO) は、粒子群最適化のような力学を明示状態マルコフスイッチングコントローラと結合するハイブリッドスワム法である。 FCPOは10のベンチマークケース(平均0.183秒)で最低の平均ランタイムを実現しており、CMA-ESの約2.3倍高速である。 心室活性化デジタルツインキャリブレーションタスクにおいて、FCPOは目標心電図(ECG)忠実度(E0.1mV)を40以内に到達させる。 FCPOは従来のSwarmよりも大幅に改善され、良好な精度-実行時のトレードオフを維持している。
  論文  参考訳（メタデータ） (2026-04-17T07:05:18Z)
• Iterated Invariant EKF for Quadruped Robot Odometry [2.975934604778082]
  我々はIterIEKFに基づく脚ロボットのための新しいオープンソース状態推定アルゴリズムを提案する。 We demonstrate that the IterIEKF are out of the vanilla IEKF, the SO(3)-based Kalman Filter, and its iterationated variant in both accuracy and consistency。
  論文  参考訳（メタデータ） (2026-04-16T18:09:15Z)
• From Recency Bias to Stable Convergence Block Kaczmarz Methods for Online Preference Learning in Matchmaking Applications [0.0]
  本稿では,コメンテータシステムにおけるリアルタイムの個人化マッチングのための,Kaczmarzに基づく選好学習アルゴリズムのファミリーを提案する。 BlockNKは、バッチGram解決とセッション後L2正規化を組み合わせることで、最も優先度の高いアライメントを実現する。
  論文  参考訳（メタデータ） (2026-04-11T00:18:20Z)
• LLaDA 1.5: Variance-Reduced Preference Optimization for Large Language Diffusion Models [95.77351099118323]
  Masked Diffusion Models (MDM) は言語モデリングにおいて有望なパラダイムである。 この課題は、優先最適化に必要なエビデンス・ロウアー・バウンド(ELBO)に基づく推定値の高分散から生じる。 本稿では,ELBO推定器の偏差を公式に解析し,優先最適化勾配の偏差と偏差を導出するフレームワークであるVRPOを提案する。
  論文  参考訳（メタデータ） (2025-05-25T16:36:20Z)
• Optimality and Adaptivity of Deep Neural Features for Instrumental Variable Regression [57.40108516085593]
  ディープ・フィーチャー・インスツルメンタル・変数(DFIV)回帰(Deep Feature instrumental variable)は、ディープ・ニューラルネットワークによって学習されたデータ適応的特徴を用いたIV回帰に対する非パラメトリックなアプローチである。 DFIVアルゴリズムは,目的構造関数がベソフ空間にある場合,最小最適学習率を実現する。
  論文  参考訳（メタデータ） (2025-01-09T01:22:22Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Dual-frame Fluid Motion Estimation with Test-time Optimization and Zero-divergence Loss [9.287932323337163]
  3次元粒子追跡速度計(PTV)は乱流解析の鍵となる技術である。 深層学習に基づく手法は、2フレームの流体運動推定において顕著な精度を達成している。 我々は,完全に自己管理された新しい手法を導入し,完全に教師された手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-15T18:00:00Z)
• GDP: Stabilized Neural Network Pruning via Gates with Differentiable Polarization [84.57695474130273]
  ゲートベースまたは重要度に基づくプルーニング手法は、重要度が最小のチャネルを削除することを目的としている。 GDPは、各チャネルのオン・アンド・オフを制御するために、ベルやホイッスルのない畳み込み層の前に接続することができる。 CIFAR-10とImageNetデータセットを用いて行った実験は、提案したGDPが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2021-09-06T03:17:10Z)

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。