論文の概要: A practical DIRECT-type algorithm for medium-scale black-box global optimization
- arxiv url: http://arxiv.org/abs/2609.09796v1
- Date: Wed, 09 Sep 2026 06:48:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.923331
- Title: A practical DIRECT-type algorithm for medium-scale black-box global optimization
- Title（参考訳）: 中規模ブラックボックス大域最適化のための実用的なDIRECT型アルゴリズム
- Authors: Linas Stripinis, Remigijus Paulavičius,
- Abstract要約: 本稿では,動的パーティショニングとハイブリダイゼーションを取り入れた新しいDIRECT型アルゴリズムであるX-DTC-GLを紹介する。
4つの多様なベンチマークスイートの実験では、X-DTC-GLが既存のDIRECTベースのベースラインを大幅に上回っていることが示されている。
- 参考スコア（独自算出の注目度）: 0.6187780920448871
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The DIRECT algorithm is a deterministic global optimization method known for its versatility and balanced exploration-exploitation strategy. However, DIRECT-type algorithms are primarily effective for low-dimensional problems and often exhibit slow convergence as dimensionality increases, limiting their applicability to more complex optimization tasks. To address this limitation, this paper introduces X-DTC-GL, a novel DIRECT-type algorithm that incorporates dynamic partitioning and hybridization techniques. The dynamic partitioning approach adaptively refines the search space based on local one-dimensional surrogate models, enabling rapid subdivision of promising hyper-rectangles. The hybridization strategy selectively employs a hill-climbing method to exploit promising regions identified by the surrogate models. Extensive experiments on four diverse benchmark suites demonstrate that X-DTC-GL significantly outperforms existing DIRECT-type baselines, achieving improvements of ~12% in solvability and ~27% in solution quality. Performance-profile analyses indicate the fastest convergence on up to ~40% of instances, the best runtime performance on ~17% of problems, and competitive overall execution times. By improving performance within the partition-based framework, these advances strengthen the algorithm's competitiveness in state-of-the-art black-box optimization.
- Abstract（参考訳）: DIRECTアルゴリズムは、その汎用性と平衡探索探索戦略で知られている決定論的グローバル最適化手法である。
しかし、DIRECT型アルゴリズムは、主に低次元問題に有効であり、次元が増加するにつれて収束が遅くなり、より複雑な最適化タスクへの適用性が制限される。
この制限に対処するために,動的パーティショニングとハイブリダイゼーションを取り入れた新しいDIRECT型アルゴリズムであるX-DTC-GLを提案する。
動的パーティショニング手法は局所的な一次元サロゲートモデルに基づいて探索空間を適応的に洗練し、有望な超矩形を迅速に分割することを可能にする。
ハイブリダイゼーション戦略は、サロゲートモデルによって同定された有望な地域を活用するために、ヒルクライミング法を選択的に採用する。
4つの多様なベンチマークスイートの大規模な実験により、X-DTC-GLは既存のDIRECTベースのベースラインを著しく上回り、可溶性では12%、ソリューション品質では27%の改善を実現している。
パフォーマンスに注目する分析は、最大40%のインスタンスで最速の収束、問題の17%で最高のランタイムパフォーマンス、全体的な実行時間の競争力を示している。
分割ベースのフレームワークの性能向上により、これらの進歩は最先端のブラックボックス最適化におけるアルゴリズムの競争力を強化する。
関連論文リスト
- Hybrid Augmented Lagrangian Method for General Constrained Optimization via Evolutionary Algorithms [0.0]
本稿では,ALフレームワークの制約処理強度と人口探索の探索力を統合するハイブリッド拡張ラグランジアン(Hybrid Augmented Lagrangian, HyAL)手法を提案する。
提案手法は進化的手法を用いてAL反復のサブプロブレムを解き,探索を促進し,局所最適からの脱出を支援する。
その結果,Hyalはベンチマークスイート全体にわたって高品質なソリューションを一貫して生成していることがわかった。
論文 参考訳（メタデータ） (2026-07-18T16:29:06Z) - A new dual-population constrained multi-objective evolutionary optimization algorithm with repair constraint handling for structural optimization [0.0]
本稿では,多目的工学応用のための制約付き進化最適化アルゴリズムを提案する。
このアルゴリズムは2つの相互作用する集団を用いて情報を交換し、効果的なグローバルな探索を可能にし、局所的な最適性への収束のリスクを低減する。
提案アルゴリズムは72バールトラス,120バールトラス,および数百の非線形故障制約を含む3つの工学的問題で検証される。
論文 参考訳（メタデータ） (2026-07-14T00:57:07Z) - Accelerating Spectral Clustering under Fairness Constraints [56.865810822418744]
本研究では,Fair SC問題を凸関数(DC)フレームワークの差内にキャストすることで,フェアスペクトルクラスタリング(Fair SC)のための新しい効率的な手法を提案する。
本研究では,各サブプロブレムを効率よく解き,計算効率が先行処理よりも高いことを示す。
論文 参考訳（メタデータ） (2025-06-09T18:46:27Z) - Scalable Min-Max Optimization via Primal-Dual Exact Pareto Optimization [66.51747366239299]
拡張ラグランジアンに基づくmin-max問題のスムーズな変種を提案する。
提案アルゴリズムは, 段階的戦略よりも目的数で拡張性が高い。
論文 参考訳（メタデータ） (2025-03-16T11:05:51Z) - Integrating Chaotic Evolutionary and Local Search Techniques in Decision Space for Enhanced Evolutionary Multi-Objective Optimization [1.8130068086063336]
本稿では,SOMMOP(Single-Objective Multi-Modal Optimization)とMOO(Multi-Objective Optimization)の両方に焦点を当てる。
SOMMOPではニッチ技術とカオス進化を統合し,ガウス突然変異を併用したパーシスタンス・クラスタリングを行った。
MOOでは,これらの手法を不確実性に基づく選択,適応的チューニングを組み込んだ包括的フレームワークに拡張し,決定論的群集に半径(R)の概念を導入する。
論文 参考訳（メタデータ） (2024-11-12T15:18:48Z) - Modified CMA-ES Algorithm for Multi-Modal Optimization: Incorporating Niching Strategies and Dynamic Adaptation Mechanism [0.03495246564946555]
本研究では,多モード最適化問題に対する共分散行列適応進化戦略 (CMA-ES) アルゴリズムを改良する。
この拡張は、複数のグローバルミニマの課題への対処、多様性の維持と複雑なフィットネスランドスケープを探索するアルゴリズムの能力の改善に焦点を当てている。
ニッチ戦略と動的適応機構を取り入れて,複数のグローバル最適化を識別・最適化するアルゴリズムの性能を向上する。
論文 参考訳（メタデータ） (2024-07-01T03:41:39Z) - A novel multiobjective evolutionary algorithm based on decomposition and
multi-reference points strategy [14.102326122777475]
分解に基づく多目的進化アルゴリズム(MOEA/D)は、多目的最適化問題(MOP)を解く上で、極めて有望なアプローチであると考えられている。
本稿では,よく知られたPascoletti-Serafiniスキャラライゼーション法とマルチ参照ポイントの新たな戦略により,MOEA/Dアルゴリズムの改良を提案する。
論文 参考訳（メタデータ） (2021-10-27T02:07:08Z) - 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) - 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) - IDEAL: Inexact DEcentralized Accelerated Augmented Lagrangian Method [64.15649345392822]
本稿では,局所関数が滑らかで凸な分散最適化環境下での原始的手法設計のためのフレームワークを提案する。
提案手法は,加速ラグランジアン法により誘導されるサブプロブレム列を概ね解いたものである。
加速度勾配降下と組み合わせることで,収束速度が最適で,最近導出された下界と一致した新しい原始アルゴリズムが得られる。
論文 参考訳（メタデータ） (2020-06-11T18:49:06Z) - 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。