दैनिक अर्क्सिव

यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है।
यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है।
पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।

संख्यात्मक अनुकूलन के लिए सहप्रसरण अधिगम और विविधता संवर्द्धन के साथ एक संशोधित RIME एल्गोरिथम

Created by
  • Haebom

लेखक

शांगकिंग शी, लुओक्सियाओ झांग, युचेन यिन, जिओंग यांग, होइलोंग ली

रूपरेखा

यह शोधपत्र MRIME-CD का प्रस्ताव करता है, जो RIME एल्गोरिथम का एक संशोधित संस्करण है, जो एक हाल ही में प्रस्तावित भौतिकी-आधारित मेटाहेयुरिस्टिक एल्गोरिथम है। RIME एल्गोरिथम तीव्र जनसंख्या विविधता क्षय और अनुकूलन प्रक्रिया के दौरान स्थानीय इष्टतमता में गिरने की प्रवृत्ति से ग्रस्त है। MRIME-CD सहप्रसरण अधिगम और विविधता संवर्द्धन रणनीतियों के माध्यम से इन समस्याओं का समाधान करता है। इन तीन रणनीतियों में शामिल हैं: पहला, जनसंख्या विविधता बढ़ाने और अतिदोहन को रोकने के लिए सॉफ्ट-लाइम खोज चरण के दौरान एक सहप्रसरण अधिगम रणनीति का परिचय देना। दूसरा, प्रक्रिया के आरंभ में इष्टतम व्यक्तियों तक पहुँचने की प्रवृत्ति को कम करने के लिए हार्ड-लाइम पंचर तंत्र में एक औसत बूटस्ट्रैपिंग रणनीति का परिचय देना, जिससे वैश्विक खोज क्षमता में वृद्धि होती है। अंत में, हम एक नवीन ठहराव मीट्रिक का प्रस्ताव करते हैं और एल्गोरिथम के रुकने पर स्थिर व्यक्तियों को अद्यतन करते हैं, जिससे स्थानीय इष्टतमता से बचने की क्षमता में सुधार होता है। CEC2017 और CEC2022 परीक्षण सेटों का उपयोग करके प्राप्त प्रायोगिक परिणाम दर्शाते हैं कि MRIME-CD समाधान सटीकता, अभिसरण गति और स्थिरता के मामले में मौजूदा RIME एल्गोरिथम से बेहतर प्रदर्शन करता है। सांख्यिकीय महत्त्व का सत्यापन फ्राइडमैन परीक्षण, विलकॉक्सन रैंक योग परीक्षण और क्रुस्कल वालिस परीक्षण का उपयोग करके किया गया।

Takeaways, Limitations

Takeaways:
हम MRIME-CD एल्गोरिथम का प्रस्ताव करते हैं, जो जनसंख्या विविधता में कमी और स्थानीय इष्टतमता की समस्याओं को प्रभावी ढंग से हल करता है, जो RIME एल्गोरिथम की कमियां हैं।
हमने प्रयोगात्मक रूप से प्रदर्शित किया कि सहप्रसरण सीखने और विविधता वृद्धि रणनीतियों के माध्यम से अनुकूलन प्रदर्शन में सुधार हुआ।
एमआरआईएमई-सीडी की श्रेष्ठता विभिन्न सांख्यिकीय परीक्षणों के माध्यम से वस्तुनिष्ठ रूप से सिद्ध हो चुकी है।
यह विभिन्न अनुकूलन समस्याओं पर लागू होने वाला एक उन्नत मेटाहेयुरिस्टिक एल्गोरिथम प्रदान करता है।
Limitations:
प्रस्तावित एल्गोरिथम के मापदंडों को निर्धारित करने के लिए अतिरिक्त अनुकूलन अध्ययन की आवश्यकता हो सकती है।
अन्य आधुनिक मेटाहेयुरिस्टिक एल्गोरिदम के साथ अधिक गहन तुलनात्मक विश्लेषण की आवश्यकता है।
यह संभव है कि कुछ प्रकार की समस्याओं पर प्रदर्शन अन्य की तुलना में बेहतर हो, तथा इसके लिए आगे विश्लेषण की आवश्यकता है।
एल्गोरिथम की कम्प्यूटेशनल जटिलता के विश्लेषण का अभाव है।
👍