Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2501.14751

帮助 | 高级搜索

计算机科学 > 神经与进化计算

arXiv:2501.14751 (cs)
[提交于 2024年12月22日 (v1) ,最后修订 2025年1月29日 (此版本, v2)]

标题: 使用模拟退火优化LPB算法

标题: Optimizing LPB Algorithms using Simulated Annealing

Authors:Dana Rasul Hamad, Tarik A. Rashid
摘要: 基于学习者表现的行为算法(LPBSA)是对基于学习者表现的行为(LPB)算法的改进。 LPBSA,像LPB一样,已被证明能够处理单个和复杂问题。 模拟退火(SA)已被用作一种强大的技术来优化LPB。 LPBSA提供的结果优于流行的算法,如遗传算法(GA)、粒子群优化(PSO),甚至LPB。 本研究通过提供一个主种群并将其分为良好种群和不良种群,然后应用交叉和变异算子来描述改进算法的工作流程。 当在交叉阶段产生一些个体时,它们必须经过变异过程。 在这两个步骤之间,我们使用Metropolis接受准则(MAC)应用了SA,仅接受最佳和最有用的个体用于下一次迭代。 最后,结果表明种群得到了增强,从而提高了效率,并验证了LPBSA的性能。
摘要: Learner Performance-based Behavior using Simulated Annealing (LPBSA) is an improvement of the Learner Performance-based Behavior (LPB) algorithm. LPBSA, like LPB, has been proven to deal with single and complex problems. Simulated Annealing (SA) has been utilized as a powerful technique to optimize LPB. LPBSA has provided results that outperformed popular algorithms, like the Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and even LPB. This study outlines the improved algorithm's working procedure by providing a main population and dividing it into Good and Bad populations and then applying crossover and mutation operators. When some individuals are born in the crossover stage, they have to go through the mutation process. Between these two steps, we have applied SA using the Metropolis Acceptance Criterion (MAC) to accept only the best and most useful individuals to be used in the next iteration. Finally, the outcomes demonstrate that the population is enhanced, leading to improved efficiency and validating the performance of LPBSA.
评论: 33页,4图,21表
主题: 神经与进化计算 (cs.NE)
引用方式: arXiv:2501.14751 [cs.NE]
  (或者 arXiv:2501.14751v2 [cs.NE] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.14751
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Dana R. Hamad [查看电子邮件]
[v1] 星期日, 2024 年 12 月 22 日 13:17:26 UTC (1,048 KB)
[v2] 星期三, 2025 年 1 月 29 日 12:35:30 UTC (1,168 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.NE
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号