論文の概要: Analysis of Parameter Settings for the Bat Algorithm Using Variance Evolution

• arxiv url: http://arxiv.org/abs/2606.28644v1
• Date: Fri, 26 Jun 2026 23:01:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.629962
• Title: Analysis of Parameter Settings for the Bat Algorithm Using Variance Evolution
• Title（参考訳）: 可変進化を用いたバスアルゴリズムのパラメータ設定の解析
• Abstract要約: 進化的アルゴリズムとメタヒューリスティックスの設定は、そのようなパラメータ値が評価中のアルゴリズムの性能に影響を与えるため重要である。 本研究では, 動的系の理論と個体群分散の進化を用いた理論的解析により, コウモリアルゴリズムのパラメータ範囲に関して良い結果が得られることを示した。
• 参考スコア（独自算出の注目度）: 2.191505742658975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Parameter settings in evolutionary algorithms and metaheuristics are important because such parameter values can influence the performance of algorithms under evaluation. For a given algorithm, there are many different numerical experiments to show that the algorithm can work well in practice; however, in most cases there is no theoretical analysis of parameter settings. In this work, we show that theoretical analysis using the theory of dynamical systems and evolution of population variance can give some good results in terms of parameter ranges for the bat algorithm. We also show that results from numerical experiments are consistent with theoretical bounds. Such analyses can provide good insights from different perspectives about the algorithmic characteristics such as variance evolution, transition between exploration and exploitation as well as convergence behaviour.
• Abstract（参考訳）: 進化的アルゴリズムとメタヒューリスティックスにおけるパラメータ設定は、そのようなパラメータ値が評価中のアルゴリズムの性能に影響を与えるため重要である。 与えられたアルゴリズムに対して、アルゴリズムが実際にうまく動作することを示す多くの異なる数値実験があるが、ほとんどの場合、パラメータ設定に関する理論的解析は存在しない。 本研究では, 動的系の理論と個体群分散の進化を用いた理論的解析により, コウモリアルゴリズムのパラメータ範囲に関して良い結果が得られることを示す。 また、数値実験の結果が理論的境界と一致していることも示している。 このような分析は、分散進化、探索と搾取の間の遷移、収束挙動といったアルゴリズム的特性に関する異なる視点から、優れた洞察を与えることができる。

関連論文リスト

• Proximal Interacting Particle Langevin Algorithms [0.0]
  PIPLAファミリーは、非微分可能潜在変数モデルにおけるパラメータ推定問題の事実上の選択である。 PIPLAファミリが非微分可能潜在変数モデルにおけるパラメータ推定問題のデファクト選択であることを示す。
  論文  参考訳（メタデータ） (2024-06-20T13:16:41Z)
• Unlock the Power of Algorithm Features: A Generalization Analysis for Algorithm Selection [25.29451529910051]
  本稿では,アルゴリズムの特徴に基づくアルゴリズム選択の証明可能な最初の保証を提案する。 アルゴリズムの特徴に関連する利点とコストを分析し、一般化誤差が様々な要因にどのように影響するかを考察する。
  論文  参考訳（メタデータ） (2024-05-18T17:38:25Z)
• Exploring the Optimized Value of Each Hyperparameter in Various Gradient Descent Algorithms [0.0]
  勾配降下アルゴリズムは、高い精度または低い誤差の深層学習モデルのパラメータ最適化に応用されている。 本研究では,各対象関数の平均誤差を,様々な勾配降下アルゴリズムに基づいて解析するフレームワークを提案する。 実験の結果,提案手法により高効率収束と低誤差が得られることがわかった。
  論文  参考訳（メタデータ） (2022-12-23T12:04:33Z)
• Multi-objective hyperparameter optimization with performance uncertainty [62.997667081978825]
  本稿では,機械学習アルゴリズムの評価における不確実性を考慮した多目的ハイパーパラメータ最適化の結果について述べる。 木構造型Parzen Estimator(TPE)のサンプリング戦略と、ガウス過程回帰(GPR)と異種雑音の訓練後に得られたメタモデルを組み合わせる。 3つの解析的テスト関数と3つのML問題の実験結果は、多目的TPEとGPRよりも改善したことを示している。
  論文  参考訳（メタデータ） (2022-09-09T14:58:43Z)
• Amortized Implicit Differentiation for Stochastic Bilevel Optimization [53.12363770169761]
  決定論的条件と決定論的条件の両方において、二段階最適化問題を解決するアルゴリズムのクラスについて検討する。 厳密な勾配の推定を補正するために、ウォームスタート戦略を利用する。 このフレームワークを用いることで、これらのアルゴリズムは勾配の偏りのない推定値にアクセス可能な手法の計算複雑性と一致することを示す。
  論文  参考訳（メタデータ） (2021-11-29T15:10:09Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
  バイレベル最適化は多くの機械学習問題に対するツールである。 Stoc-BiO という新しい確率効率勾配推定器を提案する。
  論文  参考訳（メタデータ） (2020-10-15T18:09:48Z)
• Estimating the gradient and higher-order derivatives on quantum hardware [1.2891210250935146]
  簡単なパラメータシフト規則を用いて任意の階微分を解析的に評価する方法を示す。 また, 微分推定器の平均二乗誤差を調べた結果, 統計的雑音の影響についても検討した。
  論文  参考訳（メタデータ） (2020-08-14T18:00:10Z)
• Convergence of Meta-Learning with Task-Specific Adaptation over Partial Parameters [152.03852111442114]
  モデルに依存しないメタラーニング(MAML)は非常に成功したアルゴリズムメタラーニングの実践であるが、高い計算複雑性を持つ。 本稿では,その複雑さがANILの全体的な収束性能に大きく影響することを示す。
  論文  参考訳（メタデータ） (2020-06-16T19:57:48Z)
• Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
  適応性は現代最適化理論において重要であるが、研究されていない性質である。 提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
  論文  参考訳（メタデータ） (2020-02-13T05:42:27Z)

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。