論文の概要: MSC-CMA-ES: Structure-Aware Restarts for CMA-ES via Cyclic Nearest-Better Basin Discovery
- arxiv url: http://arxiv.org/abs/2606.15830v1
- Date: Sun, 14 Jun 2026 14:07:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.876464
- Title: MSC-CMA-ES: Structure-Aware Restarts for CMA-ES via Cyclic Nearest-Better Basin Discovery
- Title（参考訳）: MSC-CMA-ES:CMA-ESの構造認識再起動
- Abstract要約: CMA-ESはローカル差分であり、マルチモーダル検索はIPOPやBIPOPのような再起動戦略に依存している。
交互周期では、ソボルの前サンプルは最も近いベタクラスタリングによって、およそのアトラクションの盆地に分割される。
MSC-CMA-ESは、BIPOP-CMA-ESの固定予算対象範囲の2.7倍の4つの集計基準で最高の値を得る。
- 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: CMA-ES is, per run, a local optimizer; multimodal search relies on restart strategies such as IPOP and BIPOP, which draw every restart uniformly and reuse no information from previous evaluations. Multi-Start Clustering CMA-ES (MSC-CMA-ES) makes restarts structure-aware: in alternating cycles, a Sobol pre-sample is partitioned into approximate basins of attraction by nearest-better clustering, restarts are seeded basin by basin with locally scaled step sizes and population sizes, redundant basin visits are detected and excluded, and the remaining budget is spent on an unbounded local refinement of the best-so-far solution. We evaluate the method on four CEC suites (CEC2014, CEC2017, CEC2020, CEC2022) at their official budgets, across ten (suite, dimension) cells with dimensions 5-30, 51 runs per function, against BIPOP-CMA-ES and five differential-evolution algorithms (ARRDE, jSO, j2020, NL-SHADE-RSP, LSRTDE). Read per function class, MSC-CMA-ES leads on one class, is mixed on a second, and trails on the third. On composition functions, MSC-CMA-ES attains the best value on all four aggregate measures, with 2.7x the fixed-budget target coverage of BIPOP-CMA-ES - the highest composition coverage of any algorithm evaluated. On basic functions, it achieves the best (lowest) median error but exhibits a lower deep-target coverage - the measured price of spending budget on landscape discovery. On hybrid functions both CMA variants trail the leading DE algorithms; the deficit belongs to the CMA family, not to the restart mechanism. All results and scripts are publicly available.
- Abstract（参考訳）: CMA-ESはローカルオプティマイザであり、マルチモーダル検索はIPOPやBIPOPのような再起動戦略に依存している。
マルチスタートクラスタリング CMA-ES (MSC-CMA-ES) は, 繰り返しサイクルにおいて, ソボのプリサンプルを近似的なアトラクションの流域に分割し, 再起動を, 局所的にスケールしたステップサイズと人口サイズで流域に設定し, 冗長な盆地の訪問を検知・排除し, 残りの予算を, ベストソファーソリューションの非有界局所精製に充てる。
CEC2014, CEC2017, CEC2020, CEC2022の4つのCECスイートに対して, BIPOP-CMA-ESと5つの差分進化アルゴリズム(ARRDE, jSO, j2020, NL-SHADE-RSP, LSRTDE)に対して, 5-30, 51の次元を持つ10個のセルを公式予算で評価した。
関数単位のクラスを読み込むと、MSC-CMA-ESは1つのクラスをリードし、秒間に混合され、3番目のクラスはトレイルとなる。
合成関数について、MSC-CMA-ESは、BIPOP-CMA-ESの固定予算目標カバレッジの2.7倍の4つの集計基準で最高の値を得る。
基本的な機能では、最高の(最も低い)中央値誤差を達成するが、ランドスケープ発見に費やした予算の計測価格である、より低いターゲットカバレッジを示す。
ハイブリッド関数では、両方のCMA変種が主要なDアルゴリズムを辿り、障害は再起動機構ではなくCMAファミリーに属する。
すべての結果とスクリプトが公開されている。
関連論文リスト
- Grouping Auction-Consensus Algorithm for Decentralized Task Allocation in Multi-Robot Systems [17.366159929862402]
分散マルチロボットタスクアロケーション(MRTA)は、スケーラブルでレジリエンスな自律システムに不可欠である。
本稿では,Grouping Auction-Consensus Algorithm (GACA)を紹介する。
論文 参考訳（メタデータ） (2026-08-16T18:17:49Z) - Quantitative Performance Analysis of Stopping Criteria for CMA-ES [0.0]
共分散行列適応進化戦略 (CMA-ES) は最先端のブラックボックス最適化アルゴリズムである。
本稿では,CMA-ESにおける11の停止基準がノイズレスBBOB関数セットにどのように作用するかを検討する。
論文 参考訳（メタデータ） (2026-06-08T08:56:38Z) - RCMAES: A Robust CMA-ES Variant for CEC2026 Competition [0.012202203114453207]
RCMAESは、CMA-ESフレームワーク内での適応的な再起動機構と、次元依存の非線形集団サイズ縮小戦略を統合する。
RCMAESは、すべてのベンチマークで、競争力と堅牢なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-04-29T19:50:56Z) - Yukthi Opus: A Multi-Chain Hybrid Metaheuristic for Large-Scale NP-Hard Optimization [0.0]
Yukthi Opus (YO) は、NP-hard最適化のためのマルチチェーンハイブリッドメタヒューリスティックである。
YOは、構造化された2相アーキテクチャに3つの相補的なメカニズムを統合する。
YOは、予測可能な評価予算を維持しながら、大規模かつマルチモーダルな問題における競争性能を達成する。
論文 参考訳（メタデータ） (2026-01-05T06:51:08Z) - Re$^{\text{2}}$MaP: Macro Placement by Recursively Prototyping and Packing Tree-based Relocating [67.49674976434322]
この研究は、エキスパート品質のマクロ配置を生成するRe$text2$MaPメソッドを導入している。
我々はDREAMPlaceを使って、混合サイズの配置プロトタイプを構築し、マクロとクラスタごとに参照位置を取得する。
次に、パッキングツリーベースの移動手順を設計し、各グループ内のマクログループとマクロの位置を共同で調整する。
論文 参考訳（メタデータ） (2025-11-11T09:56:10Z) - Bregman Centroid Guided Cross-Entropy Method [6.408943565801689]
本稿では, アンサンブルCEMの軽量化を目的としたBregmanid Guided CEM(mathcalBC$-EvoCEM)を提案する。
Bregmanid Guided CEMは、CEMワーカー間でパフォーマンスの重み付けされたBregmanセントロイドを計算し、信頼領域内でサンプリングすることで、最も貢献の少ないものを更新する。
我々は、$textbf$mathcalBC$-EvoCEM$が標準のCEMパイプラインとシームレスに統合され、オーバーヘッドが無視できることを示した。
論文 参考訳（メタデータ） (2025-06-02T19:44:40Z) - Near-Optimal Online Learning for Multi-Agent Submodular Coordination: Tight Approximation and Communication Efficiency [52.60557300927007]
離散部分モジュラー問題を連続的に最適化するために,$textbfMA-OSMA$アルゴリズムを提案する。
また、一様分布を混合することによりKLの発散を効果的に活用する、プロジェクションフリーな$textbfMA-OSEA$アルゴリズムも導入する。
我々のアルゴリズムは最先端OSGアルゴリズムによって提供される$(frac11+c)$-approximationを大幅に改善する。
論文 参考訳（メタデータ） (2025-02-07T15:57:56Z) - The Localized Active Space Method with Unitary Selective Coupled Cluster [0.3252295747842729]
本稿では、量子古典的ハイブリッドアルゴリズム、局所化されたアクティブな一元結合クラスタシングルおよびダブルス(LASUSCCSD)手法を提案する。
LASUSCCSDは必要なパラメータの数を減らすので、回路の深さは少なくとも1桁減少する。
これは、近距離量子コンピュータにおけるLASUCCSDのようなマルチ参照ハイブリッド量子古典アルゴリズムの実装において重要である。
論文 参考訳（メタデータ） (2024-04-19T14:55:15Z) - GROS: A General Robust Aggregation Strategy [49.1574468325115]
距離空間における推定器を組み合わせるための新しい、非常に一般的な、堅牢な手順が導入された。
最小化が標本を乗っ取ると、同じ(定数まで)準ガウス性が得られることを示す。
GROSの性能は5つのシミュレーション研究により評価した。
論文 参考訳（メタデータ） (2024-02-23T17:00:32Z) - Accelerated Fuzzy C-Means Clustering Based on New Affinity Filtering and
Membership Scaling [74.85538972921917]
Fuzzy C-Means (FCM) は広く使われているクラスタリング手法である。
FCMはクラスタリングプロセスの中間から後期の段階で効率が低い。
新しいアフィニティフィルタとメンバシップスケーリング(AMFCM)に基づくFCMを提案する。
論文 参考訳（メタデータ） (2023-02-14T14:20:31Z) - Breaking the Linear Iteration Cost Barrier for Some Well-known
Conditional Gradient Methods Using MaxIP Data-structures [49.73889315176884]
条件勾配法(CGM)は現代の機械学習で広く使われている。
ほとんどの取り組みは、全体の実行時間を短縮する手段として、イテレーションの数を減らすことに重点を置いています。
本稿では,多くの基本最適化アルゴリズムに対して,イテレーション毎のコストがパラメータ数にサブ線形である最初のアルゴリズムを示す。
論文 参考訳（メタデータ） (2021-11-30T05:40:14Z) - Stochastic Optimization of Areas Under Precision-Recall Curves with
Provable Convergence [66.83161885378192]
ROC(AUROC)と精度リコール曲線(AUPRC)の下の領域は、不均衡問題に対する分類性能を評価するための一般的な指標である。
本稿では,深層学習のためのAUPRCの最適化手法を提案する。
論文 参考訳（メタデータ） (2021-04-18T06:22:21Z)
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。