論文の概要: C-CoCoA: A Continuous Cooperative Constraint Approximation Algorithm to
Solve Functional DCOPs
- arxiv url: http://arxiv.org/abs/2002.12427v1
- Date: Thu, 27 Feb 2020 20:44:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 09:08:01.611098
- Title: C-CoCoA: A Continuous Cooperative Constraint Approximation Algorithm to
Solve Functional DCOPs
- Title(参考訳): C-CoCoA: 機能的DCOPを解くための連続的協調制約近似アルゴリズム
- Authors: Amit Sarker, Abdullahil Baki Arif, Moumita Choudhury, Md. Mosaddek
Khan
- Abstract要約: 本稿では,協調制約近似(CoCoA)アルゴリズムに非線形最適化法を適用した。
提案アルゴリズムは,通信コストの低減と実行時間の短縮を犠牲にして,高品質なソリューションを提供することができる。
- 参考スコア(独自算出の注目度): 4.404507236193031
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Distributed Constraint Optimization Problems (DCOPs) have been widely used to
coordinate interactions (i.e. constraints) in cooperative multi-agent systems.
The traditional DCOP model assumes that variables owned by the agents can take
only discrete values and constraints' cost functions are defined for every
possible value assignment of a set of variables. While this formulation is
often reasonable, there are many applications where the variables are
continuous decision variables and constraints are in functional form. To
overcome this limitation, Functional DCOP (F-DCOP) model is proposed that is
able to model problems with continuous variables. The existing F-DCOPs
algorithms experience huge computation and communication overhead. This paper
applies continuous non-linear optimization methods on Cooperative Constraint
Approximation (CoCoA) algorithm. We empirically show that our algorithm is able
to provide high-quality solutions at the expense of smaller communication cost
and execution time compared to the existing F-DCOP algorithms.
- Abstract(参考訳): 分散制約最適化問題(DCOP)は、協調型マルチエージェントシステムにおける相互作用(すなわち制約)の協調に広く用いられている。
従来のDCOPモデルは、エージェントが所有する変数は離散値のみを取ることができ、制約のコスト関数は変数の集合の可能な値割り当て毎に定義されると仮定している。
この定式化はしばしば合理的であるが、変数が連続決定変数であり、制約が関数形式である多くの応用がある。
この制限を克服するため、連続変数で問題をモデル化できる関数型DCOP(F-DCOP)モデルが提案されている。
既存のF-DCOPアルゴリズムは膨大な計算と通信オーバーヘッドを経験する。
本稿では,協調制約近似(CoCoA)アルゴリズムに非線形最適化法を適用した。
提案アルゴリズムは,既存のF-DCOPアルゴリズムと比較して通信コストと実行時間を削減し,高品質な解が得られることを実証的に示す。
関連論文リスト
- Explainable Distributed Constraint Optimization Problems [5.172964916120901]
本稿では,DCOP を拡張した Explainable DCOP モデルを提案する。
提案手法は大きな問題に拡張可能であることを示し,各変種は,より小さなランタイムに対して,説明長をトレードオフするさまざまな選択肢を提供する。
論文 参考訳(メタデータ) (2025-02-19T21:06:30Z) - Unsupervised Training of Diffusion Models for Feasible Solution Generation in Neural Combinatorial Optimization [7.85458999849461]
我々は,拡散モデルをゼロから直接訓練する,教師なしCOフレームワークであるIC/DCを提案する。
私たちは、問題固有の制約を順守しながら、ソリューションのコストを最小限に抑えるために、自己監督的な方法でモデルをトレーニングします。
並列マシンスケジューリング問題(PMSP)と非対称トラベリングセールスマン問題(ATSP)における既存のNCO手法と比較して、IC/DCは最先端の性能を達成する
論文 参考訳(メタデータ) (2024-10-15T06:53:30Z) - Let the Flows Tell: Solving Graph Combinatorial Optimization Problems
with GFlowNets [86.43523688236077]
組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。
GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。
本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
論文 参考訳(メタデータ) (2023-05-26T15:13:09Z) - Symmetric Tensor Networks for Generative Modeling and Constrained
Combinatorial Optimization [72.41480594026815]
ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。
これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。
本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
論文 参考訳(メタデータ) (2022-11-16T18:59:54Z) - RACA: Relation-Aware Credit Assignment for Ad-Hoc Cooperation in
Multi-Agent Deep Reinforcement Learning [55.55009081609396]
本稿では、アドホックな協調シナリオにおいてゼロショットの一般化を実現するRACA(Relation-Aware Credit Assignment)と呼ばれる新しい手法を提案する。
RACAは、エージェント間のトポロジ構造を符号化するために、グラフベースのエンコーダ関係を利用する。
提案手法は,StarCraftIIマイクロマネジメントベンチマークとアドホック協調シナリオのベースライン手法よりも優れている。
論文 参考訳(メタデータ) (2022-06-02T03:39:27Z) - Stabilizing Q-learning with Linear Architectures for Provably Efficient
Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。
このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文 参考訳(メタデータ) (2022-06-01T23:26:51Z) - Improving Solution Quality of Bounded Max-Sum Algorithm to Solve DCOPs
involving Hard and Soft Constraints [3.0969191504482243]
BMS (Bunded Max-Sum) は、分散化調整問題の特定の形態に対する近似解を提供するメッセージパッシングアルゴリズムである。
特に、BMSアルゴリズムは、計算コストを犠牲にして、大規模な検索空間を持つこのタイプの問題を解くことができる。
論文 参考訳(メタデータ) (2020-12-02T18:10:14Z) - A Particle Swarm Inspired Approach for Continuous Distributed Constraint
Optimization Problems [7.512486812178571]
連続DCOPは連続変数で問題を明示的にモデル化することができる。
C-DCOPを解くための最先端のアプローチは、面倒なメモリか計算オーバーヘッドのいずれかを経験する。
そこで我々は,Particle Swarm Optimization(PSO)にインスパイアされた新しいC-DCOPアルゴリズム,すなわちParticle Swarm Optimization Based C-DCOP(PCD)を提案する。
論文 参考訳(メタデータ) (2020-10-20T11:04:47Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T12:38:21Z) - Conditional gradient methods for stochastically constrained convex
minimization [54.53786593679331]
構造凸最適化問題に対する条件勾配に基づく2つの新しい解法を提案する。
私たちのフレームワークの最も重要な特徴は、各イテレーションで制約のサブセットだけが処理されることです。
提案アルゴリズムは, 条件勾配のステップとともに, 分散の低減と平滑化に頼り, 厳密な収束保証を伴っている。
論文 参考訳(メタデータ) (2020-07-07T21:26:35Z) - Learning Optimal Temperature Region for Solving Mixed Integer Functional
DCOPs [26.16778095954815]
分散制約最適化問題(DCOP)と機能DCOP(F-DCOP)を組み合わせる。
次に、DPSA(Distributed Parallel Simulated Annealing)という新しいアルゴリズムを提案する。
DPSAは, 現状の非現実的アルゴリズムよりも高い品質の解を, 対応する設定で生成することを示す。
論文 参考訳(メタデータ) (2020-02-27T09:46:40Z)
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。