論文の概要: DE-2LS: Differential Evolution with Late-Stage local-search for Unconstrained Single-Objective Numerical Optimization

• arxiv url: http://arxiv.org/abs/2606.27762v1
• Date: Fri, 26 Jun 2026 06:43:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.397101
• Title: DE-2LS: Differential Evolution with Late-Stage local-search for Unconstrained Single-Objective Numerical Optimization
• Title（参考訳）: DE-2LS:非拘束単目的数値最適化のための後期局所探索による微分進化
• Abstract要約: RDEx上に構築されたDEC-2LSは,変数境界を持つ制約なし単目的最適化のための,後期的,局所探索強化型微分進化フレームワークである。 提案手法はRDExの進化的検索エンジンを保存し、2つの保守的な改良を導入する。 実験結果から, DE-2LS は直接ヘッド・ツー・ヘッド比較において, RDEx を一貫して改善することが示された。
• 参考スコア（独自算出の注目度）: 0.8122270502556375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unconstrained single-objective numerical optimization requires a careful balance among global exploration, late-stage exploitation, and function-evaluation efficiency. This paper presents DE-2LS, a late-stage, local-search-enhanced differential evolution framework built on RDEx for unconstrained single-objective optimization with variable bounds. The proposed method preserves the original RDEx evolutionary search engine and introduces two conservative refinements: a smoothed exploitation-biased branch-rate update in the late search stage and a guarded coordinate-pattern local-search that serves as a budget-aware refinement mechanism. Since the considered setting is unconstrained apart from variable bounds, all selection and local-search acceptance decisions are based solely on objective values. To determine the final algorithm configuration, we conduct a staged ablation study by testing multiple settings of the EB-rate smoothing mechanism, the initial EB-rate, the standard-branch Gaussian sampling scale, the selection-pressure parameters, and the local-search coefficients. The final configuration is selected using a U-score-based evaluation that jointly reflects solution quality and convergence speed. Experimental results show that DE-2LS consistently improves the original RDEx in direct head-to-head comparison. In particular, DE-2LS increases the U-score from $33602.0$ to $37448.0$, corresponding to an improvement of $11.45\%$. Moreover, compared with several competitive and IEEE CEC-winning algorithms, DE-2LS achieves the best overall U-score of $178966.5$, outperforming the others by $34.43\%$. These results show that a carefully designed late-stage local-search strategy can improve both convergence speed and the final objective quality of the algorithm. The source code of DE-2LS is available at https://github.com/ChauhanDikshit?tab=repositories.
• Abstract（参考訳）: 制約のない単目的の数値最適化には、グローバルな探索、後期的なエクスプロイト、関数評価の効率に注意を要する。 本稿では、RDEx上に構築されたDEC-2LSを用いて、可変境界を持つ制約なし単目的最適化を行う。 提案手法はRDExの進化的検索エンジンを保存し,後期探索段階におけるスムーズなエクスプロイトバイアス付き分岐レート更新と,予算対応改良機構として機能するガード付き座標パターン局所探索の2つの保守的改良を導入する。 考察された設定は、変数境界とは独立に制約されないため、すべての選択と局所探索の受理決定は、目的値のみに基づいて行われる。 最終的なアルゴリズム構成を決定するため,EBレート平滑化機構,初期EBレート,標準ブラッチガウスサンプリングスケール,選択圧力パラメータ,局所探索係数の複数設定を検証し,段階的アブレーション試験を行った。 最終構成は、解の質と収束速度を共同で反映するUスコアに基づく評価を用いて選択される。 実験結果から, DE-2LS は直接ヘッド・ツー・ヘッド比較において, RDEx を一貫して改善することが示された。 特に、DE-2LSはUスコアを33602.0$から37448.0$に増やし、11.45\%$に改善した。 さらに、いくつかの競合アルゴリズムとIEEE CECが勝利したアルゴリズムと比較して、DE-2LSはUスコアが178966.5$で、他のアルゴリズムよりも34.43$高い。 これらの結果から, アルゴリズムの収束速度と最終的な目的品質の両方を改善することができると考えられる。 DE-2LSのソースコードはhttps://github.com/ChauhanDikshit? tab=リポジトリ。

関連論文リスト

• When is global evolutionary search useful for variational quantum algorithms? A landscape-first study [0.06875312133832077]
  2つのメカニズムは、回路層にまたがるパラメータトラップと、2-ローカルと3-ローカルのコスト項の競合という、局所的な信頼性を損なう。 適応微分進化(DE)は、難しい構成において、マルチスタートのBFGSとマルチスタートのパウエルよりも低い中央値誤差を達成する。 探索は、堅牢なグローバルサーチが利用可能である場合、量子回路の複雑さがより厳密な古典的最適化のために交換できるかどうかを動機付けている。
  論文  参考訳（メタデータ） (2026-09-13T15:22:20Z)
• DE-2LS: Differential Evolution with Lightweight Late Local Search for Constrained Numerical Optimization [2.4923006485141284]
  本稿ではRDExフレームワーク上に構築された差分進化の後期的,局所的探索による変種について提案する。 現在のベストソリューションを中心に、軽量な座標パターンローカルサーチがガードコンポーネントとして追加される。 その結果, DE-2LS構成は, 試験されたすべての変種の中で最高のUスコアが得られることがわかった。
  論文  参考訳（メタデータ） (2026-06-26T06:45:46Z)
• Model Compression with Exact Budget Constraints via Riemannian Manifolds [39.54576236079211]
  トータルコスト予算の下で各NグループにKオプションの1つを割り当てることは、効率的なAIにおいて繰り返し発生する問題である。 我々は、ソフトマックス緩和の下で、予算制約がロジット空間における滑らかなリーマン多様体を異常に単純な幾何学で定義することを示す新しいアプローチを示す。 これらの特性に基づいて、接射影、二分探索リトラクション、運動量輸送を標準とするリーマン制約最適化(RCO)を提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:30:23Z)
• $\nabla$-Reasoner: LLM Reasoning via Test-Time Gradient Descent in Latent Space [71.23672814629448]
  $nabla$-Reasonerは、トークンログに対する差別化可能な最適化をデコードループに統合する反復生成フレームワークである。 $nabla$-Reasonerは、挑戦的な数学的推論ベンチマークで20%以上の精度の向上を実現している。
  論文  参考訳（メタデータ） (2026-03-05T08:42:54Z)
• Closing the Approximation Gap of Partial AUC Optimization: A Tale of Two Formulations [121.39938773554523]
  ROC曲線の下の領域(AUC)は、クラス不均衡と決定制約の両方を持つ実世界のシナリオにおける重要な評価指標である。 PAUC最適化の近似ギャップを埋めるために,2つの簡単なインスタンス単位のミニマックス修正を提案する。 得られたアルゴリズムは、サンプルサイズと典型的な一方方向と双方向のPAUCに対して$O(-2/3)$の収束率の線形パーイテレーション計算複雑性を享受する。
  論文  参考訳（メタデータ） (2025-12-01T02:52:33Z)
• 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)
• Span-Agnostic Optimal Sample Complexity and Oracle Inequalities for Average-Reward RL [6.996002801232415]
  生成モデルを用いてマルコフ決定過程(MDP)において,$varepsilon$-optimal Policyを求める際のサンプル複雑性について検討した。 我々は,知識を必要とせず,最適なスパンベース複雑性に適合するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-02-16T19:10:55Z)
• Learning nonparametric DAGs with incremental information via high-order HSIC [13.061477915002767]
  そこで本研究では,DAGを同定するために,親の判断したサブセットに基づく識別可能性条件を提案する。 最適相では、一階のヒルベルト最適独立基準(HSIC)に基づく最適化問題により、推定骨格が初期決定された親部分集合として与えられる。 チューニングフェーズでは、骨格は削除、追加、DAG形式化戦略によって局所的に調整される。
  論文  参考訳（メタデータ） (2023-08-11T07:07:21Z)
• On the Convergence of Distributed Stochastic Bilevel Optimization Algorithms over a Network [55.56019538079826]
  バイレベル最適化は、幅広い機械学習モデルに適用されている。 既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。 そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-06-30T05:29:52Z)
• Escaping Saddle Points with Bias-Variance Reduced Local Perturbed SGD for Communication Efficient Nonconvex Distributed Learning [58.79085525115987]
  ローカル手法は通信時間を短縮する有望なアプローチの1つである。 局所的データセットが局所的損失の滑らかさよりも小さい場合,通信の複雑さは非局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-12T15:12:17Z)
• 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)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• On Stochastic Variance Reduced Gradient Method for Semidefinite Optimization [14.519696724619074]
  SVRG法は最も有効な方法の1つと考えられている。 半定型プログラミング(SDP)に適応する場合、理論と実践の間には大きなギャップがある 本稿では,このギャップを,半定値最適化に適応したオプションIを用いて,元のSVRGの新たな変種を利用して埋める。
  論文  参考訳（メタデータ） (2021-01-01T13:55:32Z)
• Byzantine-Resilient Non-Convex Stochastic Gradient Descent [61.6382287971982]
  敵対的レジリエントな分散最適化。 機械は独立して勾配を計算し 協力することができます 私達のアルゴリズムは新しい集中の技術およびサンプル複雑性に基づいています。 それは非常に実用的です:それはないときすべての前の方法の性能を改善します。 セッティングマシンがあります。
  論文  参考訳（メタデータ） (2020-12-28T17:19:32Z)

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。