Buchumschlag

Parameter Tuning of the Firefly Algorithm by Standard Monte Carlo and Quasi-Monte Carlo Methods

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Joy, Geethu, Huyck, Christian, Yang, Xin-She
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Neural and Evolutionary Computing Artificial Intelligence 68T20, 68W50
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Parameter Tuning of the Firefly Algorithm by Three Tuning Methods: Standard Monte Carlo, Quasi-Monte Carlo and Latin Hypercube Sampling Methods
von: Joy, Geethu, et al.
Veröffentlicht: (2025)

Domain-Informed Genetic Superposition Programming: A Case Study on SFRC Beams
von: Khorshidi, Mohammad Sadegh, et al.
Veröffentlicht: (2025)

Survey of Genetic and Differential Evolutionary Algorithm Approaches to Search Documents Based On Semantic Similarity
von: Muniyappa, Chandrashekar, et al.
Veröffentlicht: (2025)

Optimizing Genetic Algorithms Using the Binomial Distribution
von: Cicirello, Vincent A.
Veröffentlicht: (2024)

Towards a Rigorous Understanding of the Population Dynamics of the NSGA-III: Tight Runtime Bounds
von: Opris, Andre
Veröffentlicht: (2025)

Hardest Monotone Functions for Evolutionary Algorithms
von: Kaufmann, Marc, et al.
Veröffentlicht: (2023)

OneMax is not the Easiest Function for Fitness Improvements
von: Kaufmann, Marc, et al.
Veröffentlicht: (2022)

How Population Diversity Influences the Efficiency of Crossover
von: Cerf, Sacha, et al.
Veröffentlicht: (2024)

First Steps Towards a Runtime Analysis When Starting With a Good Solution
von: Antipov, Denis, et al.
Veröffentlicht: (2020)

Tight Runtime Guarantees From Understanding the Population Dynamics of the GSEMO Multi-Objective Evolutionary Algorithm
von: Doerr, Benjamin, et al.
Veröffentlicht: (2025)

Evolutionary Computation as Natural Generative AI
von: Shi, Yaxin, et al.
Veröffentlicht: (2025)

Achieving Tight $O(4^k)$ Runtime Bounds on Jump$_k$ by Proving that Genetic Algorithms Evolve Near-Maximal Population Diversity
von: Opris, Andre, et al.
Veröffentlicht: (2024)

Runtime Analyses of NSGA-III on Many-Objective Problems: Provable Exponential Speedup via Stochastic Population Update
von: Opris, Andre
Veröffentlicht: (2025)

L-System Genetic Encoding for Scalable Neural Network Evolution: A Comparison with Direct Matrix Encoding
von: Stuy, Alexander, et al.
Veröffentlicht: (2026)

Open Source Evolutionary Computation with Chips-n-Salsa
von: Cicirello, Vincent A.
Veröffentlicht: (2024)

Runtime Analyses of NSGA-III on Many-Objective Problems
von: Opris, Andre, et al.
Veröffentlicht: (2024)

A First Runtime Analysis of the PAES-25: An Enhanced Variant of the Pareto Archived Evolution Strategy
von: Opris, Andre
Veröffentlicht: (2025)

Many Objective Problems Where Crossover is Provably Essential
von: Opris, Andre
Veröffentlicht: (2024)

SCAPE: Searching Conceptual Architecture Prompts using Evolution
von: Lim, Soo Ling, et al.
Veröffentlicht: (2024)

Nature-Inspired Algorithms in Optimization: Introduction, Hybridization and Insights
von: Yang, Xin-She
Veröffentlicht: (2023)

Quantum-Inspired Evolutionary Algorithms for Feature Subset Selection: A Comprehensive Survey
von: Vivek, Yelleti, et al.
Veröffentlicht: (2024)

Evo* 2025 -- Late-Breaking Abstracts Volume
von: Mora, A. M., et al.
Veröffentlicht: (2025)

A Generalized Evolutionary Metaheuristic (GEM) Algorithm for Engineering Optimization
von: Yang, Xin-She
Veröffentlicht: (2024)

Improved Differential Evolution based Feature Selection through Quantum, Chaos, and Lasso
von: Vivek, Yelleti, et al.
Veröffentlicht: (2024)

Massively Parallel Genetic Optimization through Asynchronous Propagation of Populations
von: Taubert, Oskar, et al.
Veröffentlicht: (2023)

Multi-population Ensemble Genetic Programming via Cooperative Coevolution and Multi-view Learning for Classification
von: Khorshidi, Mohammad Sadegh, et al.
Veröffentlicht: (2025)

CLEAR: Cue Learning using Evolution for Accurate Recognition Applied to Sustainability Data Extraction
von: Bentley, Peter J., et al.
Veröffentlicht: (2025)

Isomorphic Functionalities between Ant Colony and Ensemble Learning: Part III -- Gradient Descent, Neural Plasticity, and the Emergence of Deep Intelligence
von: Fokoué, Ernest, et al.
Veröffentlicht: (2026)

Parameter-Efficient Neuroevolution for Diverse LLM Generation: Quality-Diversity Optimization via Prompt Embedding Evolution
von: Guo, Dongxin, et al.
Veröffentlicht: (2026)

TNStream: Applying Tightest Neighbors to Micro-Clusters to Define Multi-Density Clusters in Streaming Data
von: Zeng, Qifen, et al.
Veröffentlicht: (2025)

Evo* 2023 -- Late-Breaking Abstracts Volume
von: Mora, A. M., et al.
Veröffentlicht: (2024)

A Survey of Meta-features Used for Automated Selection of Algorithms for Black-box Single-objective Continuous Optimization
von: Cenikj, Gjorgjina, et al.
Veröffentlicht: (2024)

EvoPref: Multi-Objective Evolutionary Optimization Discovers Diverse LLM Alignments Beyond Gradient Descent
von: Guo, Dongxin, et al.
Veröffentlicht: (2026)

Quantum-Inspired Genetic Optimization for Patient Scheduling in Radiation Oncology
von: SaiToh, Akira, et al.
Veröffentlicht: (2025)

AgentBreeder: Mitigating the AI Safety Risks of Multi-Agent Scaffolds via Self-Improvement
von: Rosser, J, et al.
Veröffentlicht: (2025)

Water-Based Metaheuristics: How Water Dynamics Can Help Us to Solve NP-Hard Problems
von: Rubio, Fernando, et al.
Veröffentlicht: (2024)

Architecture-Induced Recoverability Bias in Differentiable Symbolic Regression
von: Gupta, Chakshu, et al.
Veröffentlicht: (2026)

Survey of Swarm Intelligence Approaches to Search Documents Based On Semantic Similarity
von: Muniyappa, Chandrashekar, et al.
Veröffentlicht: (2025)

The Traveling Thief Problem with Time Windows: Benchmarks and Heuristics
von: Angmalisang, Helen Yuliana, et al.
Veröffentlicht: (2026)

An effective Genetic Programming Hyper-Heuristic for Uncertain Agile Satellite Scheduling
von: Chen, Yuning, et al.
Veröffentlicht: (2026)