論文の概要: Coronavirus Optimization Algorithm: A Success-History Adaptive Evolutionary Framework with Archive-Assisted Search and Stagnation Recovery for Global Optimization
- arxiv url: http://arxiv.org/abs/2608.23847v1
- Date: Mon, 24 Aug 2026 21:37:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.626333
- Title: Coronavirus Optimization Algorithm: A Success-History Adaptive Evolutionary Framework with Archive-Assisted Search and Stagnation Recovery for Global Optimization
- Title（参考訳）: コロナウイルス最適化アルゴリズム:大域最適化のためのアーカイブ支援検索と安定化回復機能を備えた継承履歴適応進化型フレームワーク
- Abstract要約: 本稿では,ボックス制約付き連続グローバル最適化のためのコロナウイルス最適化アルゴリズム(COA)を提案する。
COAは病気の感染をモデル化せず、選択された新型コロナウイルスのメカニズムを明示的な検索業者にマップする。
このアルゴリズムは、CEC 2017の29のベンチマーク関数で10、30、50の次元で15の競合に対して評価される。
- 参考スコア（独自算出の注目度）: 2.2296337137186195
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper proposes the Coronavirus Optimization Algorithm (COA), a SARS-CoV-2-inspired success-history adaptive evolutionary optimizer for box-constrained continuous global optimization. COA does not model disease transmission; instead, it maps selected coronavirus mechanisms to explicit search operators, including elite-guided attraction, trial-vector generation, adaptive parameter variation, stagnation recovery, and population-size scheduling. The algorithm combines opposition-based initialization, current-to-pbest mutation, binomial crossover, an external archive, success-history adaptation, population reduction, and partial restart. COA is evaluated on 29 CEC 2017 benchmark functions at 10, 30, and 50 dimensions against 15 competitive optimizers. Results show that COA achieves the best overall Friedman rank across all dimensions, with particularly strong performance on composition functions. The findings demonstrate that COA is a compact, transparent, and competitive adaptive evolutionary optimizer, while also highlighting limitations on some hybrid functions and the need for further high-dimensional validation.
- Abstract（参考訳）: 本稿では,SARS-CoV-2にインスパイアされた成功-歴史適応的進化最適化システムであるCoronavirus Optimization Algorithm (COA)を提案する。
COAは病気の伝染をモデル化せず、選択された新型コロナウイルスのメカニズムを、エリート誘導アトラクション、トライアルベクター生成、適応パラメータの変動、停滞回復、人口規模スケジューリングを含む明示的な検索オペレーターにマップする。
このアルゴリズムは、反対ベースの初期化、現在から現在までの突然変異、二項交叉、外部アーカイブ、成功と歴史の適応、人口減少、部分的な再起動を組み合わせている。
COAは、競争力のある15のオプティマイザに対して、10、30、50次元の29のCEC 2017ベンチマーク関数で評価される。
その結果,COAはすべての次元で最高のフリードマンランクを達成でき,特に合成関数の性能は高いことがわかった。
その結果、COAはコンパクトで透明で、競争力のある適応的進化最適化器であり、また、いくつかのハイブリッド関数の制限と、さらなる高次元検証の必要性を強調している。
関連論文リスト
- Convex Optimization for Alignment and Preference Learning on a Single GPU [52.997197698288936]
人間の好みに合わせて微調整された大きな言語モデルは、GeminiやChatGPTといったシステムの成功を導いた。
DPO(Direct Preference Optimization)は、よりシンプルな代替手段を提供するが、一貫性のないランキング精度やGPUリソースへの高い依存といった制限がある。
本稿では,理論的保証の強い新しい軽量戦略であるConvex Optimization for Alignment and Preference Learning Algorithm (COALA)を提案する。
論文 参考訳（メタデータ） (2026-05-22T05:25:00Z) - Socio-cognitive agent-oriented evolutionary algorithm with trust-based optimization [70.49434432747293]
信頼に基づく最適化(TBO)は、従来の周期的移行を信頼や評価に基づく柔軟なエージェント駆動の相互作用メカニズムに置き換える進化計算における島モデルの新たな拡張である。
実験の結果、TBOは様々な最適化問題において標準島モデル進化アルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2025-10-29T01:59:26Z) - ABCO: Adaptive Bacterial Colony Optimisation [3.031375888004876]
本稿では、適応細菌コロニー最適化(ABCO)と呼ばれる新しい最適化アルゴリズムを提案する。
ABCOは3つの段階 – 探索,エクスプロイト,再現 – に従って,アプリケーションの要件を満たすように適応している。
論文 参考訳（メタデータ） (2025-05-02T14:48:14Z) - Goat Optimization Algorithm: A Novel Bio-Inspired Metaheuristic for Global Optimization [1.2289361708127877]
本稿では,ヤギの適応採餌,戦略運動,寄生虫の回避行動に触発された,生物にインスパイアされたメタヒューリスティックな最適化手法を提案する。
アルゴリズムの性能は標準の単調なベンチマーク関数で評価される。
その結果,GOAはバイオインスパイアされた最適化技術において有望な進歩であることが明らかとなった。
論文 参考訳（メタデータ） (2025-03-04T06:44:07Z) - Social Distancing Induced Coronavirus Optimization Algorithm (COVO): Application to Multimodal Function Optimization and Noise Removal [0.0]
感染拡大のペースは、社会的距離を保てば遅くなる。
COVO最適化の主な動機は、より高速な収束で複雑な問題を解くことにより、様々なアプリケーションに対する大域的な解を得ることである。
論文 参考訳（メタデータ） (2024-11-26T10:09:36Z) - Advancements in Optimization: Adaptive Differential Evolution with
Diversification Strategy [0.0]
この研究は2次元空間において単目的最適化を採用し、複数の反復で各ベンチマーク関数上でADEDSを実行する。
ADEDSは、多くの局所最適化、プレート型、谷型、伸縮型、ノイズの多い機能を含む様々な最適化課題において、標準Dより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-02T10:05:41Z) - Bidirectional Looking with A Novel Double Exponential Moving Average to
Adaptive and Non-adaptive Momentum Optimizers [109.52244418498974]
我々は,新しいtextscAdmeta(textbfADouble指数textbfMov averagtextbfE textbfAdaptiveおよび非適応運動量)フレームワークを提案する。
我々は、textscAdmetaR と textscAdmetaS の2つの実装を提供し、前者は RAdam を、後者は SGDM をベースとしています。
論文 参考訳（メタデータ） (2023-07-02T18:16:06Z) - Massively Parallel Genetic Optimization through Asynchronous Propagation
of Populations [50.591267188664666]
Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。
提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。
Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
論文 参考訳（メタデータ） (2023-01-20T18:17:34Z) - Accelerating the Evolutionary Algorithms by Gaussian Process Regression
with $\epsilon$-greedy acquisition function [2.7716102039510564]
本稿では,最適化の収束を早めるために,エリート個人を推定する新しい手法を提案する。
我々の提案には、エリート個人を推定し、最適化の収束を加速する幅広い見通しがある。
論文 参考訳（メタデータ） (2022-10-13T07:56:47Z) - Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and
Stability [67.8426046908398]
汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。
本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
論文 参考訳（メタデータ） (2022-04-08T20:46:16Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z)
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。