論文の概要: Adaptive Enhanced Quantum-inspired Simulated Bifurcation Algorithm for Population State Perception

• arxiv url: http://arxiv.org/abs/2607.02540v1
• Date: Tue, 23 Jun 2026 05:57:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 04:35:24.864077
• Title: Adaptive Enhanced Quantum-inspired Simulated Bifurcation Algorithm for Population State Perception
• Title（参考訳）: 適応型量子インスピレーションによる人口状態認識のためのシミュレートバイフレーションアルゴリズム
• Authors: Dongmei Liu, Jian Li, Xiubo Chen, JinTao Wang,
• Abstract要約: 既存の量子インスパイアされたシミュレートされた分岐アルゴリズムは動的スケジューリング法に依存しているが、異なる問題インスタンスに効果的に適応する能力は欠如している。 本稿では,適応型量子インスパイアされたシミュレート・バイファーケーション(AE-QSB)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.608169128668662
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing quantum-inspired simulated bifurcation algorithms rely on dynamic scheduling methods but lack the ability to adapt effectively to different problem instances. Additionally, during the evolutionary stage, balancing exploration and exploitation remains challenging. The fundamental issue stems from the widespread use of static preset parameters and globally uniform strategies, which can diminish algorithm effectiveness and lead to result homogenization. This article proposes an Adaptive Enhanced Quantum-inspired Simulated Bifurcation (AE-QSB) framework driven by population states. By leveraging perception indicators of four distinct population states, the QSB algorithm establishes a closed-loop strategy encompassing perception, decision-making, and execution. Within this framework, we introduce three complementary algorithms spanning a spectrum from efficient extremum seeking (ME-BSB), through population-level uniform refinement (SE-DSB), to density-aware adaptive scheduling (SG-DSB). On the medium-sized graph G22, both SE-DSB and SG-DSB achieve a mean gap below 0.05\%, while ME-BSB attains the optimal trade-off between runtime and solution quality with a gap of 0.26\% and the shortest single-run time. We compared AE-QSB variants with other algorithms across all benchmark graphs from G1 to G81. The results demonstrate that AE-QSB achieved the lowest mean gap on 74.6\% of the graphs and the highest average approximation rate on 84.5\% of the graphs. Ablation experiments further revealed that subgroup exploration and rescue mechanisms play crucial roles in both multifactor and single-factor components. This study demonstrates that population statistical information during dynamic evolution provides a computable and effective foundation for adaptive control, enabling quantum-inspired optimization methods to transition from fixed scheduling to data-driven closed-loop control.
• Abstract（参考訳）: 既存の量子インスパイアされたシミュレートされた分岐アルゴリズムは動的スケジューリング法に依存しているが、異なる問題インスタンスに効果的に適応する能力は欠如している。 さらに、進化の段階では、探索と搾取のバランスをとることは依然として困難である。 基本的な問題は、静的プリセットパラメータと、アルゴリズムの有効性を低下させ、結果の均質化につながるグローバルな統一戦略を広く利用することに起因する。 本稿では,適応型量子インスパイアされたシミュレート・バイファーケーション(AE-QSB)フレームワークを提案する。 4つの異なる集団状態の知覚指標を活用することで、QSBアルゴリズムは知覚、意思決定、実行を含む閉ループ戦略を確立する。 本枠組みでは,効率的な極端探索(ME-BSB),人口レベルの均一化(SE-DSB),密度対応適応スケジューリング(SG-DSB)の3つの相補的アルゴリズムを導入する。 中規模グラフG22では、SE-DSBとSG-DSBの両者が0.05\%未満の平均ギャップを達成し、ME-BSBは0.26\%と最短の単一実行時間でランタイムとソリューション品質の最適なトレードオフを達成する。 AE-QSBの変種を、G1からG81までの全てのベンチマークグラフの他のアルゴリズムと比較した。 その結果、AE-QSBはグラフの74.6\%で最低平均ギャップを達成し、グラフの84.5\%では最高平均近似率を達成した。 アブレーション実験により、サブグループ探索と救助機構が多要素成分と単要素成分の両方において重要な役割を果たすことが明らかとなった。 本研究では、動的進化中の人口統計情報が適応制御の計算可能かつ効果的な基礎となり、量子インスパイアされた最適化手法により、固定スケジューリングからデータ駆動のクローズドループ制御へ移行できることを実証する。

関連論文リスト

• Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
  GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。 GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。 LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
  論文  参考訳（メタデータ） (2026-02-22T15:39:34Z)
• Empirical Comparison of Forgetting Mechanisms for UCB-based Algorithms on a Data-Driven Simulation Platform [0.16921396880325776]
  本稿では、ディスカウントに基づく長期視点とスライディングウインドウに基づく短期視点を統合した新しいデュアルビューアルゴリズムであるFDSW-UCBを紹介し、評価する。 ダイナミックな設定で優れたパフォーマンスを実現し、アンサンブル戦略自体が成功の決定的な要因であることを強調します。
  論文  参考訳（メタデータ） (2025-11-24T15:52:02Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Stability and Generalization for Distributed SGDA [70.97400503482353]
  分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。 我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。 理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2024-11-14T11:16:32Z)
• A biased random-key genetic algorithm with variable mutants to solve a vehicle routing problem [0.0]
  本稿では、ロジスティクスと車両ルーティングの分野におけるバイアスランダム鍵遺伝的アルゴリズム(BRKGA)について検討する。 このアルゴリズムの応用は、Occasional Drivers and Time Window (VRPODTW) による車両ルーティング問題(英語版)の枠組みの中で文脈化される。 本研究は、BRKGA-VMという、世代によって異なる変異集団を特徴とする新しいBRKGAを紹介する。
  論文  参考訳（メタデータ） (2024-05-01T01:25:16Z)
• Floorplanning of VLSI by Mixed-Variable Optimization [42.82770651937298]
  本稿では,混合変数のフロアプランニング問題を解くためのメメティックアルゴリズムを提案する。 提案アルゴリズムは、著名なB*木に基づくフロアプランニングアルゴリズムよりも優れている。
  論文  参考訳（メタデータ） (2024-01-27T06:34:16Z)
• Improving genetic algorithms performance via deterministic population shrinkage [9.334663477968027]
  本稿では,遺伝的アルゴリズム(GA)の性能に対する簡易変数集団サイズ法の適用可能性に関する実証的研究について述べる。 それは、所定のスケジュールに従ってGAランの人口を減少させ、速度と重大度パラメータによって構成する。 その結果,SVPS-GAは性能を向上しながら解の質を保ちつつ,性能向上に要する評価回数を削減し,速度重大性の組合せを示した。
  論文  参考訳（メタデータ） (2024-01-22T17:05:16Z)
• Stability and Generalization of the Decentralized Stochastic Gradient Descent Ascent Algorithm [80.94861441583275]
  本稿では,分散勾配勾配(D-SGDA)アルゴリズムの一般化境界の複雑さについて検討する。 本研究は,D-SGDAの一般化における各因子の影響を解析した。 また、最適凸凹設定を得るために一般化とバランスをとる。
  論文  参考訳（メタデータ） (2023-10-31T11:27:01Z)
• Exploring the effectiveness of surrogate-assisted evolutionary algorithms on the batch processing problem [0.0]
  本稿では,文献におけるよく知られたバッチ処理問題のシミュレーションを紹介する。 遺伝的アルゴリズム(GA)や微分進化(DE)といった進化的アルゴリズムを用いてシミュレーションの最適なスケジュールを見つける。 次に、サロゲート支援されたアルゴリズムによって得られる解の質を、ベースラインアルゴリズムと比較する。
  論文  参考訳（メタデータ） (2022-10-31T09:00:39Z)
• 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。