論文の概要: Linear Proposal Operators and Stochastic Search Geometry in SOMA and Differential Evolution
- arxiv url: http://arxiv.org/abs/2607.29228v1
- Date: Fri, 31 Jul 2026 09:58:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.680319
- Title: Linear Proposal Operators and Stochastic Search Geometry in SOMA and Differential Evolution
- Title（参考訳）: SOMAにおける線形提案演算子と確率探索幾何学と微分進化
- Abstract要約: 本稿では,境界修復と適合性に依存した選択から,目的非依存のばらつきを分離する演算子選択因数分解を提案する。
それは、自己組織化アルゴリズム(SOMA)と微分進化(DE)の提案幾何学の研究にそれを使用している。
- 参考スコア（独自算出の注目度）: 0.06875312133832077
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Swarm and evolutionary algorithms are usually analyzed as complete procedural systems in which nonlinear selection, replacement, and adaptation obscure simpler structure within candidate generation. This paper introduces an operator--selection factorization that separates objective-independent variation from boundary repair and fitness-dependent selection, and uses it to study the proposal geometry of the Self-Organizing Migrating Algorithm (SOMA) and Differential Evolution (DE). The canonical SOMA proposal is shown to be affine in the search space and exactly linear in an augmented migrant--leader state. In leader-relative coordinates, the resulting operator provides a direct interpretation of interpolation, projection, overshooting, and coordinate masking. Under Bernoulli perturbation masks, we derive closed-form expressions for the proposal mean, covariance, expected squared step length, expected squared distance from the leader, active dimensionality, and coordinate coverage. For canonical DE/rand/1/bin, we derive the finite-population moments of differential mutation and characterize the additional covariance and coordinate dependence induced by forced-coordinate binomial crossover. Exact enumeration and Monte Carlo experiments verify the analytical identities and quantify the effects of mask conditioning, boundary repair, and fitness-based selection. The analysis further motivates geometry-controlled and rotation-aware SOMA variants, together with an adaptive population-reducing extension of iSOMA. Experiments on the complete noiseless BBOB benchmark show that these operator-guided variants substantially improve upon canonical SOMA and are competitive with established DE methods in several dimension--budget regimes. The results demonstrate how proposal-level operator analysis can support both the interpretation and design of population-based optimizers.
- Abstract（参考訳）: スワムおよび進化的アルゴリズムは、通常、非線型選択、置換、適応が候補生成において曖昧な単純な構造を持つ完全な手続きシステムとして分析される。
本稿では,境界修復と適合性に依存しない選択から客観非依存の変動を分離する演算子選択分解法を提案し,それを用いて,自己組織緩和アルゴリズム (SOMA) と微分進化 (DE) の提案幾何について検討する。
標準のSOMA提案は、探索空間においてアフィンであり、拡張された移民-リーダー状態において正確に線形であることが示されている。
リーダー相対座標では、結果として得られる演算子は補間、投射、オーバーシューティング、座標マスキングを直接解釈する。
ベルヌーイ摂動マスクでは,提案平均値,共分散,期待二乗ステップ長,リーダから期待二乗距離,アクティブディメンタリティ,座標カバレッジのクローズドフォーム式を導出する。
標準DE/rand/1/binの場合、差分変異の有限集団モーメントを導出し、強制的二項交叉によって引き起こされる余分な共分散と座標依存性を特徴付ける。
厳密な列挙とモンテカルロの実験は、解析的アイデンティティを検証し、マスク条件付け、境界修復、フィットネスベースの選択の影響を定量化する。
この分析は、iSOMAの適応的な人口減少拡張とともに、幾何制御および回転対応のSOMA変異を動機付けている。
完全ノイズレスBBOBベンチマークの実験により、これらの演算子誘導型は標準SOMAよりも大幅に改善され、いくつかの次元予算方式で確立されたDEM法と競合することが示された。
以上の結果から,提案レベルの演算子解析が集団最適化器の解釈と設計を両立できるかが示唆された。
関連論文リスト
- Separable Nonnegative Matrix Factorization Using Powered Ratio-of-Norms Regularization [9.066517501323423]
分離非負行列分解(SNMF)は、非負のデータの低ランク表現とクラスタリングに広く用いられている。
正規化器の出力比に基づく$ellp/ell$-regularized SNMFモデルを提案する。
提案手法は,既存のSNMF法と比較して,アンカー識別と分類精度の競争性や性能の向上を実現している。
論文 参考訳（メタデータ） (2026-08-28T19:06:31Z) - Evolution-Aware MSA Reasoning for Subsampling via Factor Graphs [55.715754117956514]
複数のシーケンスアライメントは、明示的な進化コンテキストを持つタンパク質言語モデルを提供する。
MSAサブサンプリングは限定的なトークン予算では避けられない。
本稿では,因子グラフ推論を用いて固定予算MSAサブセットを推定するAP-REASONERを提案する。
論文 参考訳（メタデータ） (2026-07-24T13:55:21Z) - Operator Calculus for Population-Based Optimization: A Mean-Field Convergence Theory [0.2770822269241973]
人口ベースおよび分布最適化法は非反応問題に広く用いられている。
合成合成アルゴリズムの収束のためのツールキットを提供する。
論文 参考訳（メタデータ） (2026-06-12T09:16:58Z) - A Firefly Algorithm for Mixed-Variable Optimization Based on Hybrid Distance Modeling [0.0]
混合変数最適化問題(FAmv)に対するFireflyアルゴリズムの適応性を提案する。
提案手法は, 連続成分, 離散成分を統一的な定式化に組み込む改良された距離ベース魅力機構に依存する。
その結果、FAmvは最先端の混合変数最適化アルゴリズムと比較して、競争力があり、しばしば優れた性能を発揮することがわかった。
論文 参考訳（メタデータ） (2026-03-25T16:52:54Z) - Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。
CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
論文 参考訳（メタデータ） (2025-09-29T19:50:19Z) - Stochastic Optimization with Optimal Importance Sampling [49.484190237840714]
本稿では,両者の時間的分離を必要とせずに,意思決定とIS分布を共同で更新する反復型アルゴリズムを提案する。
本手法は,IS分布系に対する目的的,軽度な仮定の凸性の下で,最小の変数分散を達成し,大域収束を保証する。
論文 参考訳（メタデータ） (2025-04-04T16:10:18Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - Recursive Monte Carlo and Variational Inference with Auxiliary Variables [64.25762042361839]
再帰的補助変数推論(RAVI)はフレキシブルな提案を利用するための新しいフレームワークである。
RAVIは、表現力のある表現力のある家族を推論するためのいくつかの既存の手法を一般化し、統一する。
RAVIの設計枠組みと定理を,SalimansらによるMarkov Chain Variational Inferenceを用いて解析し,改良することにより示す。
論文 参考訳（メタデータ） (2022-03-05T23:52:40Z) - A Variational Inference Approach to Inverse Problems with Gamma
Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。
提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文 参考訳（メタデータ） (2021-11-26T06:33:29Z) - Jointly Modeling and Clustering Tensors in High Dimensions [6.072664839782975]
テンソルの合同ベンチマークとクラスタリングの問題を考察する。
本稿では,統計的精度の高い近傍に幾何的に収束する効率的な高速最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-04-15T21:06:16Z) - Estimation of Switched Markov Polynomial NARX models [75.91002178647165]
非線形自己回帰(NARX)成分を特徴とするハイブリッド力学系のモデル群を同定する。
提案手法は, 特定の回帰器を持つ3つの非線形サブモデルからなるSMNARX問題に対して実証される。
論文 参考訳（メタデータ） (2020-09-29T15:00:47Z)
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。