論文の概要: Group Decision Support for agriculture planning by a combination of
Mathematical Model and Collaborative Tool
- arxiv url: http://arxiv.org/abs/2006.08151v1
- Date: Mon, 15 Jun 2020 06:12:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 04:45:38.536286
- Title: Group Decision Support for agriculture planning by a combination of
Mathematical Model and Collaborative Tool
- Title（参考訳）: 数理モデルと協調ツールの組み合わせによる農業計画のための集団意思決定支援
- Authors: Pascale Zarat\'e (UT1, IRIT, IRIT-ADRIA), Alemany Mme, Ana Esteso
Alvarez, Amir Sakka (UR TSCF), Guy Camilleri (UT3)
- Abstract要約: 農業領域における意思決定は複雑な作業である。
集中最適化モデルのおかげで、支配的でないソリューションのセットを生成します。
次に, GRUSと呼ばれるグループ意思決定支援システムを用いて, 農家群に最適な解決策を選定した。
- 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: Decision making in the Agriculture domain can be a complex task. The land
area allocated to each crop should be fixed every season according to several
parameters: prices, demand, harvesting periods, seeds, ground, season etc...
The decision to make becomes more difficult when a group of farmers must fix
the price and all parameters all together. Generally, optimization models are
useful for farmers to find no dominated solutions, but it remains difficult if
the farmers have to agree on one solution. We combine two approaches in order
to support a group of farmers engaged in this kind of decision making process.
We firstly generate a set of no dominated solutions thanks to a centralized
optimization model. Based on this set of solution we then used a Group Decision
Support System called GRUS for choosing the best solution for the group of
farmers. The combined approach allows us to determine the best solution for the
group in a consensual way. This combination of approaches is very innovative
for the Agriculture. This approach has been tested in laboratory in a previous
work. In the current work the same experiment has been conducted with real
business (farmers) in order to benefit from their expertise. The two
experiments are compared.
- Abstract（参考訳）: 農業領域における意思決定は複雑な作業である。
各作物に割り当てられる土地は、価格、需要、収穫時期、種子、土壌、季節など、様々なパラメータにより、毎年固定されるべきである。
.
農家の集団が価格と全てのパラメータをまとめて修正しなければならないと、意思決定は難しくなります。
概して、最適化モデルは農家にとって支配的な解決策が見つからないのに有用であるが、農家が一つの解決策に同意しなければ、依然として困難である。
このような意思決定プロセスに従事する農家のグループをサポートするために、2つのアプローチを組み合わせる。
まず、集中最適化モデルにより、支配的でないソリューションの集合を生成する。
この一連のソリューションに基づいて、私たちはGRUSと呼ばれるグループ決定支援システムを使用して、農家のグループにとって最良のソリューションを選択しました。
組み合わせたアプローチによって、コンセンサスな方法でグループにとって最良の解決策を決定できるのです。
このアプローチの組み合わせは農業にとって非常に革新的です。
この手法は以前の研究で実験室でテストされている。
現在の作業では、専門知識の恩恵を受けるために、同じ実験が実際のビジネス(農家)で行われています。
2つの実験を比較する。
関連論文リスト
- Advanced Machine Learning Framework for Efficient Plant Disease Prediction [0.8249694498830561]
本稿では,スマート農業プラットフォーム構築のための高度な機械学習手法の新たな組み合わせについて検討する。
本システムでは, 被影響画像から植物の病原体を同定するために, 深層学習技術を利用する。
自然言語処理技術は、ユーザコミュニティが投稿したソリューションのランク付けに使用される。
論文 参考訳（メタデータ） (2024-09-08T18:14:34Z) - Automating Food Drop: The Power of Two Choices for Dynamic and Fair Food Allocation [51.687404103375506]
私たちはインディアナ州の非営利組織とパートナーし、EmphFood Dropというプログラムを率いています。
このパートナーシップの目標は、Food Dropを完全に自動化することにあります。
そのためには、食品を受け取った食品銀行の公正性の確保と、トラック運転手の効率の最適化を両立させるために、リアルタイムな意思決定を行うためのマッチングアルゴリズムが必要である。
論文 参考訳（メタデータ） (2024-06-10T15:22:41Z) - Fair Allocation in Dynamic Mechanism Design [57.66441610380448]
競売業者が各ラウンドの買い手グループに、合計で$T$で分けない商品を販売している問題を考える。
競売人は、各グループの最低平均配分を保証する公正な制約に固執しつつ、割引された全体の収益を最大化することを目的としている。
論文 参考訳（メタデータ） (2024-05-31T19:26:05Z) - Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。
我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文 参考訳（メタデータ） (2024-03-27T08:42:47Z) - An Online Optimization-Based Decision Support Tool for Small Farmers in
India: Learning in Non-stationary Environments [1.3597551064547502]
これらのツールの恩恵を受けることができるインドの小農家は、それらにアクセスできない。
本稿では,個別の温室をマルコフ決定プロセス (MDP) としてモデル化し,Li と Li の Follow the Leader (FWL) のオンライン学習アルゴリズムを適用して作物計画のアドバイスを提供する。
論文 参考訳（メタデータ） (2023-11-28T23:33:16Z) - Improving Generalization of Alignment with Human Preferences through
Group Invariant Learning [56.19242260613749]
Reinforcement Learning from Human Feedback (RLHF) は、人間の好みに合わせた反応の生成を可能にする。
以前の研究は、強化学習(RL)がしばしばショートカットを利用して高い報酬を獲得し、挑戦的なサンプルを見落としていることを示している。
本稿では,複数のデータグループやドメインにまたがる一貫したポリシをRLで学習する,新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-10-18T13:54:15Z) - DeepG2P: Fusing Multi-Modal Data to Improve Crop Production [1.7406327893433846]
本稿では,G,E,Mの入力とその相互作用を処理する自然言語処理に基づくニューラルネットワークアーキテクチャを提案する。
我々は、DNAを自然言語としてモデル化することにより、新しい環境をテストする際に、従来のアプローチよりも優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2022-11-11T03:32:44Z) - Risk-averse Stochastic Optimization for Farm Management Practices and
Cultivar Selection Under Uncertainty [8.427937898153779]
目的プログラミング関数における条件付き値-リスクを用いた不確実性の下で最適化フレームワークを開発する。
ケーススタディとして、USコーンベルトの25箇所に作物モデルを構築しました。
その結果,提案モデルが気象と最適決定との間に有意な関係を生じさせることが示唆された。
論文 参考訳（メタデータ） (2022-07-17T01:14:43Z) - An attention model for the formation of collectives in real-world
domains [78.1526027174326]
本研究では,サステナブル開発目標に沿った実世界のアプリケーションにエージェントの集合を形成することの問題点を考察する。
本稿では,注目モデルと整数線形プログラムの新たな組み合わせに基づく集合形成のための一般的な手法を提案する。
論文 参考訳（メタデータ） (2022-04-30T09:15:36Z) - IGrow: A Smart Agriculture Solution to Autonomous Greenhouse Control [8.344829083719857]
スマート農業ソリューション,すなわちiGrowを提案する。
私たちはIoTとクラウドコンピューティング技術を使って、成長するデータを測定し、収集し、管理しています。
私たちのソリューションは生産量(商業的に販売可能な果物)と純利益を大幅に増加させます。
論文 参考訳（メタデータ） (2021-07-06T11:35:50Z) - Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。
本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
論文 参考訳（メタデータ） (2020-10-02T07:11:19Z)
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。