論文の概要: naspaclust: A hybridisation of spatial fuzzy clustering with nature-inspired optimisation

• arxiv url: http://arxiv.org/abs/2610.16356v1
• Date: Mon, 12 Oct 2026 08:13:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 06:16:04.745626
• Title: naspaclust: A hybridisation of spatial fuzzy clustering with nature-inspired optimisation
• Title（参考訳）: Naspaclust:自然に触発された最適化による空間ファジィクラスタリングのハイブリッド化
• Abstract要約: 空間ファジィクラスタリング改善のためのツールであるtextttnaspaclust について概説する。 textttnaspaclustパッケージは、主に空間的コンテキストにおいてファジィクラスタリングのパフォーマンスを改善することができる。
• 参考スコア（独自算出の注目度）: 0.36733626428410665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an overview of R package called \texttt{naspaclust}, a tool for spatial fuzzy clustering improvement by hybridising the Fuzzy Geographically Weighted Clustering (FGWC) with nature-inspired optimisation algorithms. There are seven optimisation algorithms in general, namely Artificial Bee Colony, Flower Pollination Algorithm, Gravitational Search Algorithm, Harris-Hawk Optimisation, Intelligent Firefly Algorithm, Particle Swarm Optimisation, and Teaching-Learning Based optimisation. The optimisation algorithms available do not only use the basic algorithms, but also the modified version of several parts such as randomisation terms and updating rules. Furthermore, we also provide additional options by providing more distance metrics options based on the \texttt{ rdist} package. This study showed the implementation of the \texttt{naspaclust} package in various cases, as well as comparing the performance of the algorithms in the scope of basic algorithms. The \texttt{naspaclust} package allows to improve the performance of fuzzy clustering, mainly in spatial context.
• Abstract（参考訳）: 本稿では,Fuzzy Geographically Weighted Clustering (FGWC) と自然に着想を得た最適化アルゴリズムを組み合わせた空間ファジィクラスタリング改善ツールである,texttt{naspaclust}の概要を紹介する。 Artificial Bee Colony, Flower Pollination Algorithm, Gravitational Search Algorithm, Harris-Hawk Optimisation, Intelligent Firefly Algorithm, Particle Swarm Optimisation, Teaching-Learning Based Optimizationの7つの最適化アルゴリズムがある。 利用可能な最適化アルゴリズムは、基本アルゴリズムだけでなく、乱数化項や更新規則などのいくつかの部分の修正版も使用する。 さらに,<texttt{ rdist}パッケージに基づいて,より多くの距離のメトリクスオプションを提供することで,新たなオプションも提供します。 本研究は, 基本アルゴリズムの範囲内でのアルゴリズム性能の比較とともに, 様々なケースにおける \texttt{naspaclust} パッケージの実装を示した。 texttt{naspaclust}パッケージは、主に空間的コンテキストにおいてファジィクラスタリングのパフォーマンスを改善する。

関連論文リスト

• Ant Colony Sampling with GFlowNets for Combinatorial Optimization [68.84985459701007]
  Generative Flow Ant Colony Sampler (GFACS)は、階層的に償却推論と並列探索を組み合わせた新しいメタヒューリスティック手法である。 提案手法はまず,生成フローネットワーク(GFlowNets)を利用して,解空間上のエンフルティモーダル事前分布を補正する。 この前者は、Ant Colony Optimization (ACO) の精神で並列探索によって更新され、後部分布がほぼ最適解を生成する。
  論文  参考訳（メタデータ） (2024-03-11T16:26:06Z)
• Enhancing Gaussian Process Surrogates for Optimization and Posterior Approximation via Random Exploration [2.984929040246293]
  ガウス過程シュロゲートモデルの精度を高めるために、ランダムな探索ステップに依存する新しいノイズフリーベイズ最適化戦略。 新しいアルゴリズムは、古典的なGP-UCBの実装の容易さを維持しているが、さらなる探索がそれらの収束を促進する。
  論文  参考訳（メタデータ） (2024-01-30T14:16:06Z)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
  本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。 微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
  論文  参考訳（メタデータ） (2023-02-24T18:41:48Z)
• Accelerated First-Order Optimization under Nonlinear Constraints [61.98523595657983]
  我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。 これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
  論文  参考訳（メタデータ） (2023-02-01T08:50:48Z)
• Adaptive Stochastic Optimisation of Nonconvex Composite Objectives [2.1700203922407493]
  一般化された複合ミラー降下アルゴリズムの一群を提案し,解析する。 適応的なステップサイズでは、提案アルゴリズムは問題の事前知識を必要とせずに収束する。 決定集合の低次元構造を高次元問題に活用する。
  論文  参考訳（メタデータ） (2022-11-21T18:31:43Z)
• Optimistic Optimisation of Composite Objective with Exponentiated Update [2.1700203922407493]
  このアルゴリズムは指数勾配と$p$-normアルゴリズムの組み合わせと解釈できる。 彼らはシーケンス依存の後悔の上界を達成し、スパース目標決定変数の最もよく知られた境界と一致する。
  論文  参考訳（メタデータ） (2022-08-08T11:29:55Z)
• Tree ensemble kernels for Bayesian optimization with known constraints over mixed-feature spaces [54.58348769621782]
  木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。 ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。 我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
  論文  参考訳（メタデータ） (2022-07-02T16:59:37Z)
• Combining Particle Swarm Optimizer with SQP Local Search for Constrained Optimization Problems [0.0]
  先行するアルゴリズムの違いは局所的な検索能力にある可能性が示唆された。 ベンチマークスイートの他のリードと比較すると、他の主要なPSOアルゴリズムと競合するようにローカル検索を実装したGP-PSOのハイブリッドが示される。
  論文  参考訳（メタデータ） (2021-01-25T09:34:52Z)
• Sequential Subspace Search for Functional Bayesian Optimization Incorporating Experimenter Intuition [63.011641517977644]
  本アルゴリズムは,実験者のガウス過程から引き出された一組の引き数で区切られた関数空間の有限次元ランダム部分空間列を生成する。 標準ベイズ最適化は各部分空間に適用され、次の部分空間の出発点(オリジン)として用いられる最良の解である。 シミュレーションおよび実世界の実験,すなわちブラインド関数マッチング,アルミニウム合金の最適析出強化関数の探索,深層ネットワークの学習速度スケジュール最適化において,本アルゴリズムを検証した。
  論文  参考訳（メタデータ） (2020-09-08T06:54:11Z)
• A Heuristic Based on Randomized Greedy Algorithms for the Clustered Shortest-Path Tree Problem [2.099922236065961]
  本稿では, RGA とショート・パス・ツリー・アルゴリズム (SPTA) の主な特徴を組み合わせたクラスタ・ショート・パス・ツリー問題 (CluSPT) を扱うアルゴリズムを提案する。 提案アルゴリズムの性能を評価するため,ユークリッドベンチマークが選択される。
  論文  参考訳（メタデータ） (2020-05-05T08:34:58Z)

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。