ニッチング法の性能評価のための新たなクラスのテスト問題

A Novel Class of Test Problems for Performance Evaluation of Niching Methods
Ahrari, Ali, and Kalyanmoy Deb.
IEEE Transactions on Evolutionary Computation, 22(6), 909-919, 2018
本論文は,ニッチング法の数値評価を強化するために多様な特性を持つパラメトリックなスケーラブル関数を生成するための新しい手法を提案する.それは3つの単純な基本関数を組み合わせることで,複合マルチモーダル関数を形成し,その中で関数パラメータは大域的最小値の数を制御する.結果として得られる合成関数は,高い条件,相関,および多くの望ましくない極小値の存在などの大域的最適化,ならびに異なるベイズンサイズを有し,不均一に分布した大域的最小値などのマルチモーダル最適化に特有のものなどの様々な課題を示し得る.さらに,提案手法は,従来手法によって生成されたものと比較すると,計算上安価な複合関数をもたらす.これは,多くの大域的最小値を持つ問題について,ニッチング法の長期的成功をベンチマークすることを可能にする.関数パラメータにより大域的最小値の数を制御する6つのパラメトリックなベンチマーク関数が提案されている.大域的最小値の分布,ベイズン形状,およびサイズに関する詳細な分析が提供される.提案されたテスト問題の1つは制約を含み,これは過去においてあまり注目されなかった問題である.これらのテスト関数は,文献で最も成功しているニッチング法のいくつかを比較するために採用されている.数値結果は,複合機能に対する異なるニッチング方法の性能と既存の試験問題との間の劇的な相違を明らかに,提案した複合機能が明確な課題をシミュレートすることを実証した.我々の調査結果は,コア探索アルゴリズムの重要性を強調し,より複雑な景観とより高い次元での多くのニッチング戦略の適合性に挑戦する.

マルチモーダル最適化問題に対する Affinity Propagation

Dual-Strategy Differential Evolution With Affinity Propagation Clustering for Multimodal Optimization Wang, Zi-Jia, et al.
IEEE Transactions on Evolutionary Computation, 2018, 22.6, 894-908.

複数の最適解を同時に探索するマルチモーダル最適化問題(MMOP)は,最適化にとって最も困難な問題の 1 つである.MMOP を解決するための 2 つの一般的な目標がある. 1 つは,グローバルな最適化を可能な限り多く するように,集団の多様性を維持することある.もう 1 つは,見つかった解の精度を上げることである.この 2 つの目標を達成するために,本論文では,affinity propagation clustering(APC)を用いた新しい dual-strategy differential evolution(DSDE)を提案する. DSDE の新しさと利点には,次の 3 つの側面があります.第一に, 二重戦略突然変異計画は,子孫を生み出す際の探索と搾取のバランスをとるように設計されている.第 2 に,可 能な限り多くのピークを特定するために,異なる最適領域から多様な個体を選択するための APC に基づく適応選 択メカニズムが提案される.第 3 に,停滞および収束した個人を検出し,保護するためのアーカイブ技術が適用 される.これらの個人はアーカイブに保存されており,見つかった有望な解決策を維持し,より新しい分野を探索 するために再初期化される.実験結果は,提案された DSDE アルゴリズムが,CEC2013 のベンチマーク問題で評 価された場合には,よりグローバルな最適化の位置付け,より高精度の解の獲得,および最新のマルチモーダル アルゴリズムと比較して優れていることを示し,より速い速度で収束する.

nsga-iiiに対する選択演算子の効果(単目的、多目的、多目的最適化)

Effect of selection operator on NSGA-III in single, multi, and many-objective optimization
Seada, Haitham and Deb, Kalyanmoy
Evolutionary Computation (CEC), 2015 IEEE Congress on, pp. 2915-2922, 2015

分解ベースのNSGA-IIIは,複数の事前定義された適応可能な参照方向を使用して,その解間の多様性を維持する最近提案された多目的最適化アルゴリズムである. NSGA-IIIの著者は,4つ以上の目的を持つ特に客観的な問題を解決するように設計し,母集団のサイズを選択した参照方向の数に等しくなるよう制限した.この制限は、定義により、唯一の基準方向があり、単目的最適化問題にNSGA-IIIの使用を妨げる.このため,最近,この問題に対処するための統合アルゴリズムU-NSGA-IIIが提案された. U-NSGA-IIIは,ニッヒベースの選択演算子を介して問題の次元に自動的に適合することが可能である.しかし,U-NSGA-IIIの著者は,すべてのNSGA-IIIシミュレーションでこの単一倍制限を守った.この論文では,NSGA-IIIのこの制限を無視し,複数の集団を使用して単一,および多目的問題を解決する可能性をテストする.シミュレーションは,この目的のために,さまざまな制約付きおよび制約なしの単一,および多目的の問題で実行される. U-NSGA-IIIのものと比較した複数のNSGA-IIIの長所と短所を取り上げる.各タイプの問題におけるNSGA-IIIの堅牢性についても議論する.この研究は,当初の研究が予見していたより広い範囲を有するように見える元のNSGA-III手順のより包括的な評価を提供する.

画像領域分割における2 順序粒子群最適化アルゴリズムの応用

Application of two-order particle swarm optimization algorithm in image segmentation
Computer-Aided Industrial Design Conceptual Design (CAIDCD), 2010 IEEE 11th International Conference
on (Volume:1),pp.749-752,2010

2 順序粒子群最適化アルゴリズムは2007 年にHu Jianxiu とZeng Jianchao によって2007 年に提示された.本
稿では標準的な粒子群最適化と2 順序粒子群最適化アルゴリズムについて検討している.本稿では,多重閾値領
域分割を行うために変更された2 順序粒子群最適化アルゴリズムを用いる.評価実験では2 順序粒子群最適化ア
ルゴリズムに基づく多重閾値領域分割手法が効果的に画像を分割できたことを示している.

particle swam,optimization,image,segmentation

pdf