論文の概要: A Hybrid Evolutionary Algorithm for Reliable Facility Location Problem
- arxiv url: http://arxiv.org/abs/2007.04769v1
- Date: Sat, 27 Jun 2020 11:31:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 07:24:03.076275
- Title: A Hybrid Evolutionary Algorithm for Reliable Facility Location Problem
- Title（参考訳）: 信頼性施設配置問題に対するハイブリッド進化アルゴリズム
- Authors: Han Zhang, Jialin Liu, and Xin Yao
- Abstract要約: 信頼性施設配置問題(RFLP)は、現代のサプライチェーンとロジスティクスの意思決定と管理において重要な役割を担っている。
本稿では,RFLPの新しいモデルを提案する。既存の作業のように,各顧客に一定数の施設を割り当てる代わりに,割り当てられた施設数を独立変数として設定する。
そこで我々は,記憶可能な局所探索(MLS)法と進化的アルゴリズム(EA)を組み合わせたハイブリッド進化アルゴリズム EAMLS を提案する。
- 参考スコア（独自算出の注目度）: 10.668347198815438
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The reliable facility location problem (RFLP) is an important research topic
of operational research and plays a vital role in the decision-making and
management of modern supply chain and logistics. Through solving RFLP, the
decision-maker can obtain reliable location decisions under the risk of
facilities' disruptions or failures. In this paper, we propose a novel model
for the RFLP. Instead of assuming allocating a fixed number of facilities to
each customer as in the existing works, we set the number of allocated
facilities as an independent variable in our proposed model, which makes our
model closer to the scenarios in real life but more difficult to be solved by
traditional methods. To handle it, we propose EAMLS, a hybrid evolutionary
algorithm, which combines a memorable local search (MLS) method and an
evolutionary algorithm (EA). Additionally, a novel metric called l3-value is
proposed to assist the analysis of the algorithm's convergence speed and exam
the process of evolution. The experimental results show the effectiveness and
superior performance of our EAMLS, compared to a CPLEX solver and a Genetic
Algorithm (GA), on large-scale problems.
- Abstract（参考訳）: 信頼性施設立地問題(RFLP)は、運用研究の重要な研究課題であり、現代のサプライチェーンとロジスティクスの意思決定と管理において重要な役割を担っている。
RFLPの解決により、意思決定者は、施設の故障や故障のリスクの下で、信頼できる位置決定を得ることができる。
本稿では,RFLPの新しいモデルを提案する。
既存の作業のように、各顧客に対して一定数の施設を割り当てる代わりに、提案するモデルでは、割り当てられた施設の数を独立した変数として設定します。
そこで本研究では,記憶可能な局所探索法(mls)と進化アルゴリズム(ea)を組み合わせたハイブリッド進化アルゴリズムであるeamlsを提案する。
さらに,アルゴリズムの収束速度の解析と進化過程の検証を支援するために,l3値と呼ばれる新しい指標が提案されている。
実験結果は,大規模問題に対する cplex solver と genetic algorithm (ga) と比較して,eamlsの有効性と優れた性能を示す。
関連論文リスト
- Large Language Model-Aided Evolutionary Search for Constrained Multiobjective Optimization [15.476478159958416]
我々は,制約付き多目的最適化問題に対する進化探索を強化するために,大規模言語モデル(LLM)を用いる。
私たちの目標は、進化の集団の収束を早めることです。
論文 参考訳（メタデータ） (2024-05-09T13:44:04Z) - Weighted strategies to guide a multi-objective evolutionary algorithm
for multi-UAV mission planning [12.97430155510359]
この研究は、新しい個体の生成と突然変異のための重み付きランダム・ジェネレータを提案する。
この研究の主な目的は、マルチUAVミッション計画のためのMOEAソルバの収束率を下げることである。
論文 参考訳（メタデータ） (2024-02-28T23:05:27Z) - Distributionally Robust Model-based Reinforcement Learning with Large
State Spaces [55.14361269378122]
強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。
広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。
本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-05T13:42:11Z) - Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。
本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文 参考訳（メタデータ） (2022-12-02T05:07:50Z) - Relational Reasoning via Set Transformers: Provable Efficiency and
Applications to MARL [154.13105285663656]
置換不変エージェントフレームワークを用いたMARL(Multi-A gent R einforcement Learning)は,実世界のアプリケーションにおいて大きな実証的成功を収めた。
残念なことに、このMARL問題の理論的理解は、多くのエージェントの呪いと、既存の著作における関係推論の限定的な探索によって欠落している。
モデルフリーアルゴリズムとモデルベースアルゴリズムの最適度差は各エージェント数に独立して対数的であり、多くのエージェントの呪いを和らげる。
論文 参考訳（メタデータ） (2022-09-20T16:42:59Z) - Simulation-guided Beam Search for Neural Combinatorial Optimization [13.072343634530883]
ニューラル最適化問題に対するシミュレーション誘導ビームサーチ(SGBS)を提案する。
我々は、SGBSと効率的なアクティブサーチ(EAS)を併用し、SGBSはEASでバックプロパゲーションされたソリューションの品質を高める。
提案手法をよく知られたCOベンチマークで評価し,SGBSが合理的な仮定で得られた解の質を著しく向上することを示す。
論文 参考訳（メタデータ） (2022-07-13T13:34:35Z) - A Multi-objective Evolutionary Algorithm for EEG Inverse Problem [0.0]
本稿では,脳波逆問題に対する多目的アプローチを提案する。
この問題の特徴から、この代替案にはそれを解決するための進化戦略が含まれていた。
その結果、分散ソリューションを推定するために、MOEAAR(Anatomical Restrictions)に基づく多目的進化的アルゴリズムが得られた。
論文 参考訳（メタデータ） (2021-07-21T19:37:27Z) - Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。
これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文 参考訳（メタデータ） (2021-03-01T22:55:48Z) - 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) - Large Scale Many-Objective Optimization Driven by Distributional
Adversarial Networks [1.2461503242570644]
本稿では, RVEA フレームワークに基づく新しいアルゴリズムを提案し, 分散適応ネットワーク (DAN) を用いて新たな子孫を生成する。
大規模多目的問題(LSMOP)における9つのベンチマーク問題に対して,新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-16T04:14:15Z) - Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。
我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。
集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文 参考訳（メタデータ） (2020-02-20T15:00:54Z)
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。