論文の概要: A Deep Reinforcement Learning Algorithm Using Dynamic Attention Model
for Vehicle Routing Problems
- arxiv url: http://arxiv.org/abs/2002.03282v1
- Date: Sun, 9 Feb 2020 04:51:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 14:07:20.114088
- Title: A Deep Reinforcement Learning Algorithm Using Dynamic Attention Model
for Vehicle Routing Problems
- Title（参考訳）: 車両経路問題に対する動的注意モデルを用いた深部強化学習アルゴリズム
- Authors: Bo Peng and Jiahai Wang and Zizhen Zhang
- Abstract要約: 本稿では,NPハード問題,車両ルーティング問題に焦点をあてる。
本モデルは,従来の手法よりも優れ,また,優れた一般化性能を示す。
- 参考スコア（独自算出の注目度）: 20.52666896700441
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent researches show that machine learning has the potential to learn
better heuristics than the one designed by human for solving combinatorial
optimization problems. The deep neural network is used to characterize the
input instance for constructing a feasible solution incrementally. Recently, an
attention model is proposed to solve routing problems. In this model, the state
of an instance is represented by node features that are fixed over time.
However, the fact is, the state of an instance is changed according to the
decision that the model made at different construction steps, and the node
features should be updated correspondingly. Therefore, this paper presents a
dynamic attention model with dynamic encoder-decoder architecture, which
enables the model to explore node features dynamically and exploit hidden
structure information effectively at different construction steps. This paper
focuses on a challenging NP-hard problem, vehicle routing problem. The
experiments indicate that our model outperforms the previous methods and also
shows a good generalization performance.
- Abstract（参考訳）: 近年の研究では、機械学習は、組合せ最適化問題を解決するために人間によって設計されたものよりも優れたヒューリスティックスを学ぶ可能性があることが示されている。
ディープニューラルネットワークは、インクリメンタルに実現可能なソリューションを構築するための入力インスタンスを特徴付けるために使用される。
近年,ルーティング問題を解決するための注意モデルが提案されている。
このモデルでは、インスタンスの状態は時間とともに固定されるノード機能によって表現されます。
しかし、実際には、異なる構成ステップで作成したモデルの決定に従ってインスタンスの状態が変更され、ノードの特徴が対応するように更新される。
そこで本稿では,動的エンコーダ・デコーダアーキテクチャを用いた動的注意モデルを提案する。
本稿では,NPハード問題,車両ルーティング問題に焦点をあてる。
実験の結果,本モデルは従来の手法よりも優れており,優れた一般化性能を示した。
関連論文リスト
- AI-Aided Kalman Filters [65.35350122917914]
カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。
最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。
本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
論文 参考訳（メタデータ） (2024-10-16T06:47:53Z) - GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。
提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
論文 参考訳（メタデータ） (2024-05-21T03:33:07Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-02-11T21:07:30Z) - Combining Constructive and Perturbative Deep Learning Algorithms for the
Capacitated Vehicle Routing Problem [0.0]
容量化車両ルーティング問題(Capacitated Vehicle Routing Problem)は、複数の場所に製品を届ける車両の最適経路を見つけることの難題となるNPハード問題である。
近年,この問題に対処する構築的で摂動的なディープラーニングベースのアルゴリズムの開発が試みられている。
本稿では,2つの強力な構築型および摂動型ディープラーニングに基づくアルゴリズムを組み合わせた,複合型Deep ConstructorとPerturbatorを提案する。
論文 参考訳（メタデータ） (2022-11-25T06:20:11Z) - Solving the vehicle routing problem with deep reinforcement learning [0.0]
本稿では,NP-Hard 問題のクラスに属する有名な問題である Vehicle Routing Problem (VRP) に対する RL の適用について述べる。
第2フェーズでは、アクターと批評家の背後にあるニューラルアーキテクチャが確立され、畳み込みニューラルネットワークに基づいたニューラルアーキテクチャを採用することが選択された。
広範囲なインスタンスで行った実験では、アルゴリズムが優れた一般化能力を持ち、短時間で良い解に達することが示されている。
論文 参考訳（メタデータ） (2022-07-30T12:34:26Z) - Invariant Causal Mechanisms through Distribution Matching [86.07327840293894]
本研究では、因果的視点と不変表現を学習するための新しいアルゴリズムを提供する。
実験により,このアルゴリズムは様々なタスク群でうまく動作し,特にドメインの一般化における最先端のパフォーマンスを観察する。
論文 参考訳（メタデータ） (2022-06-23T12:06:54Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - Redefining Neural Architecture Search of Heterogeneous Multi-Network
Models by Characterizing Variation Operators and Model Components [71.03032589756434]
複素領域における異なる変動演算子の効果について検討する。
モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
論文 参考訳（メタデータ） (2021-06-16T17:12:26Z) - Causality-aware counterfactual confounding adjustment for feature
representations learned by deep models [14.554818659491644]
因果モデリングは機械学習(ML)における多くの課題に対する潜在的な解決策として認識されている。
深層ニューラルネットワーク(DNN)モデルによって学習された特徴表現を分解するために、最近提案された対実的アプローチが依然として使われている方法について説明する。
論文 参考訳（メタデータ） (2020-04-20T17:37:36Z) - Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
クープマン理論に関連する新しい物理学に基づく手法が導入された。
本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。
このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
論文 参考訳（メタデータ） (2020-03-04T18:24:30Z) - MODRL/D-AM: Multiobjective Deep Reinforcement Learning Algorithm Using
Decomposition and Attention Model for Multiobjective Optimization [15.235261981563523]
本稿では,多目的最適化問題を解くための多目的深部強化学習法を提案する。
本手法では,各サブプロブレムをアテンションモデルにより解き,入力ノードの構造的特徴とノード的特徴を活用できる。
論文 参考訳（メタデータ） (2020-02-13T12:59:39Z)
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。