論文の概要: HPSO: Particle Swarm Optimization with Hypergraph-Based Topology
- arxiv url: http://arxiv.org/abs/2608.07587v1
- Date: Wed, 05 Aug 2026 14:05:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 14:39:41.20807
- Title: HPSO: Particle Swarm Optimization with Hypergraph-Based Topology
- Title（参考訳）: HPSO:ハイパーグラフトポロジーを用いた粒子群最適化
- Abstract要約: 本稿では,Hypergraph-assisted Particle Swarm Optimization (HPSO)と呼ばれる新しいPSO変種を提案する。
HPSOでは、スワム内の粒子のトポロジーはハイパーグラフによってモデル化され、ハイパーエッジは複数の粒子を接続するために使用される。
HPSOの有効性をIEEE CEC'17ベンチマークスイートで検証し,HPSOが様々な機能に対して有望な性能を達成することを示す。
- 参考スコア（独自算出の注目度）: 18.38398874183169
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Particle swarm optimization (PSO) has been widely applied to solve complex optimization problems from real-world applications due to its efficient exploration of large solution spaces and the ability to converge towards optimal solutions without requiring gradient information. Common swarm topologies in standard PSO and its variants, e.g., Ring and Star, can be regarded as graphs, where each edge connects only two particles. Such topology structures allow direct interactions only between connected particle pairs, and thus often fail to directly capture the higher-order social relationships that are necessary for navigating complex search landscapes. Therefore, this article proposes a novel PSO variant termed Hypergraph-assisted Particle Swarm Optimization (HPSO). In HPSO, the topology of the particles in a swarm is modeled by a hypergraph, in which hyperedges are used to connect multiple particles. This allows multiple particles within a hyperedge to interact directly. Furthermore, an adaptive hypergraph updating strategy is designed to periodically reconstruct the topology based on cumulative average particle displacement, thereby maintaining swarm diversity throughout the evolutionary process. In the experiments, the effectiveness of HPSO is verified on the IEEE CEC'17 benchmark suite, and the results demonstrate that HPSO achieves promising performance across various types of functions. Furthermore, the ablation experiment demonstrates that HPSO has excellent search capabilities.
- Abstract（参考訳）: 粒子群最適化(PSO)は、大規模な解空間の効率的な探索と、勾配情報を必要としない最適解へ収束する能力により、現実のアプリケーションから複雑な最適化問題を解くために広く応用されている。
標準PSOの一般的なスウォーム位相とその変種(例えば、リングとスター)はグラフと見なすことができ、それぞれの辺は2つの粒子のみを結び付ける。
このようなトポロジー構造は、連結粒子対間の直接相互作用を可能にするため、複雑な探索ランドスケープをナビゲートするのに必要となる高次の社会的関係を直接捉えることができないことが多い。
そこで本稿では,Hypergraph-assisted Particle Swarm Optimization (HPSO)と呼ばれる新しいPSO変種を提案する。
HPSOでは、スワム内の粒子のトポロジーはハイパーグラフによってモデル化され、ハイパーエッジは複数の粒子を接続するために使用される。
これにより、ハイパーエッジ内の複数の粒子が直接相互作用できる。
さらに、適応的なハイパーグラフ更新戦略は、累積平均粒子変位に基づいて周期的にトポロジを再構築し、進化過程を通して群れの多様性を維持するように設計されている。
実験では,IEEE CEC'17ベンチマークスイート上でHPSOの有効性を検証し,HPSOが様々な機能に対して有望な性能を達成することを示す。
さらに, アブレーション実験により, HPSOは優れた検索能力を有することが示された。
関連論文リスト
- Enhancing Discrete Particle Swarm Optimization for Hypergraph-Modeled Influence Maximization [9.949881986716553]
インフルエンス(IM)は、複雑なネットワーク分析における基本的な問題であり、様々な現実世界の応用がある。
本稿では,離散粒子群最適化アルゴリズムとしきい値モデルに基づく新しいハイパーグラフモデルIM法を提案する。
提案手法では, 粒子はシードノードの選択情報を表現し, 適合度関数は2層局所的影響近似を用いて, シードノードの影響を正確に, 効率的に評価するように設計されている。
論文 参考訳（メタデータ） (2026-04-17T06:42:59Z) - Regime-Adaptive Bayesian Optimization via Dirichlet Process Mixtures of Gaussian Processes [14.367563771141592]
RAMBOはガウス過程のディリクレプロセス混合体であり、最適化中に遅延状態を自動的に検出する。
我々は、効率的な推論のために潜在関数を解析的に極小化する、崩壊したギブスサンプリングを導出した。
我々の獲得機能は、不確実性を登録内および登録間コンポーネントに分解する。
論文 参考訳（メタデータ） (2026-01-27T20:45:50Z) - Chicken Swarm Kernel Particle Filter: A Structured Rejuvenation Approach with KLD-Efficient Sampling [0.0]
粒子フィルタ (PF) は、チキン・スワム最適化 (CSO) など、しばしばスワム・インテリジェンス (SI) アルゴリズムと組み合わせられる。
本稿では,SI-based rejuvenation kernel と Kullback-Leibler divergence (KLD) サンプリングの理論的相互作用について検討する。
論文 参考訳（メタデータ） (2025-11-15T13:55:29Z) - YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception [58.06752127687312]
高精度で軽量な物体検出器YOLOv13を提案する。
ハイパーグラフに基づく適応相関強化(HyperACE)機構を提案する。
また,FullPAD(Full-Pipeline Aggregation-and-Distribution)パラダイムを提案する。
論文 参考訳（メタデータ） (2025-06-21T15:15:03Z) - Scalable and Effective Negative Sample Generation for Hyperedge Prediction [55.9298019975967]
ハイパーエッジ予測は、Webベースのアプリケーションにおける複雑なマルチエンタリティ相互作用を理解するために不可欠である。
従来の手法では、正と負のインスタンスの不均衡により、高品質な負のサンプルを生成するのが困難であることが多い。
本稿では,これらの課題に対処するために拡散モデルを利用するハイパーエッジ予測(SEHP)フレームワークのスケーラブルで効果的な負のサンプル生成について述べる。
論文 参考訳（メタデータ） (2024-11-19T09:16:25Z) - Pixel-to-Abundance Translation: Conditional Generative Adversarial
Networks Based on Patch Transformer for Hyperspectral Unmixing [12.976092623812757]
スペクトルアンミキシングはハイパースペクトル画像処理において重要な課題である。
汎用的アンミックスフレームワークとしてハイパースペクトル条件生成逆ネットワーク(HyperGAN)を提案する。
合成データと実際のハイパースペクトルデータの実験は、最先端の競合他社と比較して印象的な結果が得られる。
論文 参考訳（メタデータ） (2023-12-20T15:47:21Z) - Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。
画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文 参考訳（メタデータ） (2023-11-02T02:05:38Z) - From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。
次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。
提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文 参考訳（メタデータ） (2023-06-16T04:40:59Z) - Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。
MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する
我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文 参考訳（メタデータ） (2022-10-24T16:54:18Z) - Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。
様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
論文 参考訳（メタデータ） (2022-07-22T03:45:29Z) - Incorporating Surprisingly Popular Algorithm and Euclidean
Distance-based Adaptive Topology into PSO [42.6811816733091]
我々は、フィットネスに加えて補足的指標としてSPA(Suprisingly Popular Algorithm)を採用している。
SPAと協調するユークリッド距離に基づく適応トポロジーを提案する。
提案手法は,小・中・大規模問題における最先端のPSO変種よりも性能が優れていることを示す。
論文 参考訳（メタデータ） (2021-08-25T10:55:19Z)
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。