論文の概要: Deep Learning-based Resource Allocation for Infrastructure Resilience
- arxiv url: http://arxiv.org/abs/2007.05880v1
- Date: Sun, 12 Jul 2020 00:48:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 06:15:31.360334
- Title: Deep Learning-based Resource Allocation for Infrastructure Resilience
- Title(参考訳): インフラストラクチャレジリエンスのためのディープラーニングに基づくリソース割り当て
- Authors: Siavash Alemzadeh, Hesam Talebiyan, Shahriar Talebi, Leonardo
Duenas-Osorio, Mehran Mesbahi
- Abstract要約: 意思決定者は、トレーニングされたモデルを使用して、緊急時にリソースをより効率的に割り当てることができます。
本稿では,TNのシェルビー郡における実世界の相互依存インフラによる方法論について紹介する。
- 参考スコア(独自算出の注目度): 0.5249805590164901
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: From an optimization point of view, resource allocation is one of the
cornerstones of research for addressing limiting factors commonly arising in
applications such as power outages and traffic jams. In this paper, we take a
data-driven approach to estimate an optimal nodal restoration sequence for
immediate recovery of the infrastructure networks after natural disasters such
as earthquakes. We generate data from td-INDP, a high-fidelity simulator of
optimal restoration strategies for interdependent networks, and employ deep
neural networks to approximate those strategies. Despite the fact that the
underlying problem is NP-complete, the restoration sequences obtained by our
method are observed to be nearly optimal. In addition, by training multiple
models---the so-called estimators---for a variety of resource availability
levels, our proposed method balances a trade-off between resource utilization
and restoration time. Decision-makers can use our trained models to allocate
resources more efficiently after contingencies, and in turn, improve the
community resilience. Besides their predictive power, such trained estimators
unravel the effect of interdependencies among different nodal functionalities
in the restoration strategies. We showcase our methodology by the real-world
interdependent infrastructure of Shelby County, TN.
- Abstract(参考訳): 最適化の観点からは、リソース割り当ては停電や交通渋滞といったアプリケーションで一般的に発生する制限要因に対処するための研究の基盤の1つである。
本稿では, 地震等の自然災害後のインフラストラクチャネットワークの即時復旧のために, データ駆動型手法を用いて最適な結節復元シーケンスを推定する。
我々は,相互依存型ネットワークにおける最適修復戦略の高信頼シミュレータであるtd-indpからデータを生成し,それらの戦略を近似するためにディープニューラルネットワークを用いた。
基礎的な問題はnp完全であるにもかかわらず,本手法で得られた修復配列はほぼ最適であることがわかった。
さらに, 資源利用量と復旧時間とのトレードオフを考慮し, 資源利用量と復旧時間とのトレードオフを考慮し, 各種資源利用量の予測を行う。
意思決定者は、トレーニングされたモデルを使用して、緊急時にリソースをより効率的に割り当て、コミュニティのレジリエンスを向上させることができます。
予測力の他に、これらの訓練された推定器は、修復戦略における様々な能動機能間の相互依存の影響を解き明かす。
本稿では,TNのシェルビー郡における実世界の相互依存インフラによる方法論について紹介する。
関連論文リスト
- Proactive Resource Request for Disaster Response: A Deep Learning-based
Optimization Model [0.2580765958706854]
我々は,要求される資源の最適量を積極的に決定する新たな資源管理問題を開発する。
我々は,問題の健全な特性を考慮に入れ,今後の需要予測のための新しいディープラーニング手法を開発した。
実世界とシミュレーションデータの両方を用いて,既存手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-07-31T13:44:01Z) - Compressed Regression over Adaptive Networks [58.79251288443156]
分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。
エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
論文 参考訳(メタデータ) (2023-04-07T13:41:08Z) - Intelligent Proactive Fault Tolerance at the Edge through Resource Usage
Prediction [0.7046417074932255]
リカレントニューラルネットワーク(RNN)を用いたエッジリソース利用予測を利用した知的能動的フォールトトレランス(IPFT)手法を提案する。
本稿では,処理能力の欠如により許容範囲で品質・オブ・サービス(QoS)を提供するインフラの欠如に関連するプロセスフォールトに着目した。
論文 参考訳(メタデータ) (2023-02-09T00:42:34Z) - Evolutionary Optimization for Proactive and Dynamic Computing Resource
Allocation in Open Radio Access Network [4.9711284100869815]
Open Radio Access Network (O-RAN) におけるコンピュータリソースの自動割り当てを実現するためのインテリジェントな技術が求められている
このリソース割り当て問題を解決するための既存の問題定式化は、リソースのキャパシティユーティリティを不適切な方法で定義しているため不適切である。
問題をよりよく記述した新しい定式化が提案されている。
論文 参考訳(メタデータ) (2022-01-12T08:52:04Z) - Model-Free Learning of Optimal Deterministic Resource Allocations in
Wireless Systems via Action-Space Exploration [4.721069729610892]
本稿では,最適パラメータ化資源割り当てポリシーを効率的に学習するための,技術的基盤と拡張性のある2次元勾配法を提案する。
提案手法は, 深層ネットワークなどの一般的な普遍表現の勾配を効率よく活用するだけでなく, 低次元摂動により構築された関連するランダムネットワークサービスのゼロ階勾配近似を一貫したゼロ階勾配近似に頼っているため, 真のモデルフリーである。
論文 参考訳(メタデータ) (2021-08-23T18:26:16Z) - Phase Retrieval using Expectation Consistent Signal Recovery Algorithm
based on Hypernetwork [73.94896986868146]
位相検索は現代の計算イメージングシステムにおいて重要な要素である。
近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。
我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
論文 参考訳(メタデータ) (2021-01-12T08:36:23Z) - Coordinated Online Learning for Multi-Agent Systems with Coupled
Constraints and Perturbed Utility Observations [91.02019381927236]
本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。
提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
論文 参考訳(メタデータ) (2020-10-21T10:11:17Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-27T17:38:51Z) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳(メタデータ) (2020-06-26T14:20:48Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳(メタデータ) (2020-04-08T10:08:20Z)
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。