論文の概要: Uncertainty Modelling in Risk-averse Supply Chain Systems Using
Multi-objective Pareto Optimization
- arxiv url: http://arxiv.org/abs/2004.13836v1
- Date: Fri, 24 Apr 2020 21:04:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 03:42:20.790354
- Title: Uncertainty Modelling in Risk-averse Supply Chain Systems Using
Multi-objective Pareto Optimization
- Title(参考訳): 多目的パレート最適化を用いたリスク逆サプライチェーンシステムの不確実性モデリング
- Authors: Heerok Banerjee, V. Ganapathy and V. M. Shenbagaraman
- Abstract要約: サプライチェーンモデリングにおける困難なタスクの1つは、不規則な変動に対して堅牢なモデルを構築することである。
我々は、不確実性を扱うためのパレート最適化(Pareto Optimization)という新しい手法を導入し、これらの不確実性のエントロピーをアプリオリ仮定の下で明示的にモデル化することで拘束する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the arduous tasks in supply chain modelling is to build robust models
against irregular variations. During the proliferation of time-series analyses
and machine learning models, several modifications were proposed such as
acceleration of the classical levenberg-marquardt algorithm, weight decaying
and normalization, which introduced an algorithmic optimization approach to
this problem. In this paper, we have introduced a novel methodology namely,
Pareto Optimization to handle uncertainties and bound the entropy of such
uncertainties by explicitly modelling them under some apriori assumptions. We
have implemented Pareto Optimization using a genetic approach and compared the
results with classical genetic algorithms and Mixed-Integer Linear Programming
(MILP) models. Our results yields empirical evidence suggesting that Pareto
Optimization can elude such non-deterministic errors and is a formal approach
towards producing robust and reactive supply chain models.
- Abstract(参考訳): サプライチェーンモデリングにおける困難なタスクの1つは、不規則なバリエーションに対して堅牢なモデルを構築することである。
時系列解析と機械学習モデルの拡散の間、古典的なレベンバーグ・マーカルトアルゴリズムの加速、重みの減衰と正規化などいくつかの修正が提案され、この問題にアルゴリズム最適化のアプローチを導入した。
本稿では,不確実性に対処し,不確実性のエントロピーを明示的にモデル化することで,不確実性に対処する新しい手法Pareto Optimizationを紹介した。
遺伝的アプローチを用いてPareto Optimizationを実装し,従来の遺伝的アルゴリズムとMILPモデルとの比較を行った。
その結果、パレート最適化はそのような非決定論的誤りを回避し、ロバストでリアクティブなサプライチェーンモデルを生成するための形式的アプローチであることを示す実証的証拠が得られる。
関連論文リスト
- Proximal Interacting Particle Langevin Algorithms [0.0]
本稿では,潜時変動モデルにおける推論と学習のためのPIPLAアルゴリズムを提案する。
非微分不可能な統計モデルにおけるパラメータ推定の問題に合わせた、新しい近位IPLAファミリー内のいくつかの変種を提案する。
我々の理論と実験は、PIPLAファミリーが非微分可能モデルの潜在変数モデルにおけるパラメータ推定問題のデファクト選択であることを示している。
論文 参考訳(メタデータ) (2024-06-20T13:16:41Z) - Multi-Response Heteroscedastic Gaussian Process Models and Their
Inference [1.52292571922932]
本稿ではヘテロセダスティック共分散関数のモデリングのための新しいフレームワークを提案する。
後部モデルに近似し, 後部予測モデルを容易にするために, 変分推論を用いる。
提案するフレームワークは,幅広いアプリケーションに対して,堅牢で汎用的なツールを提供する。
論文 参考訳(メタデータ) (2023-08-29T15:06:47Z) - When to Update Your Model: Constrained Model-based Reinforcement
Learning [50.74369835934703]
モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。
続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。
さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
論文 参考訳(メタデータ) (2022-10-15T17:57:43Z) - A Variational Inference Approach to Inverse Problems with Gamma
Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。
提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文 参考訳(メタデータ) (2021-11-26T06:33:29Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳(メタデータ) (2021-03-18T14:26:26Z) - Combining Gaussian processes and polynomial chaos expansions for
stochastic nonlinear model predictive control [0.0]
最適制御問題の時間不変不確かさを明示的に考慮する新しいアルゴリズムを提案する。
本稿では, 非線形変換の平均および分散推定値を得るために, この組み合わせを効率的に利用することを提案する。
最適制御問題に対する確率的目標と確率的制約の両方を定式化する方法を示す。
論文 参考訳(メタデータ) (2021-03-09T14:25:08Z) - Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。
これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
論文 参考訳(メタデータ) (2020-09-01T19:12:11Z) - Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。
連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文 参考訳(メタデータ) (2020-07-11T19:44:09Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳(メタデータ) (2020-05-21T16:08:38Z)
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。