Fugu-MT 論文翻訳(概要): Optimizing fire allocation in a NCW-type model

論文の概要: Optimizing fire allocation in a NCW-type model

arxiv url: http://arxiv.org/abs/2008.05250v1
Date: Wed, 12 Aug 2020 11:55:32 GMT
ステータス: 処理完了
システム内更新日: 2022-10-31 05:57:21.573511
Title: Optimizing fire allocation in a NCW-type model
Title（参考訳）: NCW型モデルにおける火災配分の最適化
Authors: Nam Hong Nguyen and My Anh Vu and Dinh Van Bui and Anh Ngoc Ta and Manh Duc Hy
Abstract要約: ブルーフォースの最適火力配分は、時間的一貫した関数の形で求められている。戦闘の各段階の開始時に、赤軍とその供給エージェントに対して脅威率を算出する。
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: In this paper, we introduce a non-linear Lanchester model of NCW-type and investigate an optimization problem for this model, where only the Red force is supplied by several supply agents. Optimal fire allocation of the Blue force is sought in the form of a piece-wise constant function of time. A threatening rate is computed for the Red force and each of its supply agents at the beginning of each stage of the combat. These rates can be used to derive the optimal decision for the Blue force to focus its firepower to the Red force itself or one of its supply agents. This optimal fire allocation is derived and proved by considering an optimization problem of number of Blue force troops. Numerical experiments are included to demonstrate the theoretical results.
Abstract（参考訳）: 本稿では,NCW型非線形ランチェスターモデルを導入し,このモデルに対する最適化問題について検討する。ブルーフォースの最適火力配分は、区分的に一定の時間の関数の形で求められている。戦闘の各段階の開始時に、赤軍と各補給員に対して脅迫率が計算される。これらの速度は、青軍にとって、火力は赤軍自身または供給エージェントの1つに集中する最適な決定を導出するために用いられる。この最適火力配分は、ブルーフォース部隊数の最適化問題を考慮して導出され、証明される。理論的結果を示すための数値実験を含む。

関連論文リスト

PDE+: Enhancing Generalization via PDE with Adaptive Distributional Diffusion [66.95761172711073]
ニューラルネットワークの一般化は、機械学習における中心的な課題です。本稿では、入力データを調整することに集中するのではなく、ニューラルネットワークの基盤機能を直接拡張することを提案する。私たちはこの理論的フレームワークを、$textbfPDE+$$textbfPDE$ with $textbfA$daptive $textbfD$istributional $textbfD$iffusionとして実践しました。
論文参考訳（メタデータ） (2023-05-25T08:23:26Z)
Accelerated Distributed Aggregative Optimization [5.5491171448159715]
本稿では,分散集約最適化問題の解法として,DAGT-HBとDAGT-NESという2つの新しいアルゴリズムを提案する。 DAGT-HBとDAGT-NESのアルゴリズムは、大域的な$mathbfR-$linear収束率で最適解に収束できる。
論文参考訳（メタデータ） (2023-04-17T08:11:01Z)
Criticality versus uniformity in deep neural networks [52.77024349608834]
カオスの端に沿った深いフィードフォワードネットワークは、最大トレーニング可能な深さで定量化されるように、指数関数的に優れたトレーニング能力を示す。特に、活性化後の分布が最大エントロピーを持つ位相空間における均一性の線を決定する。
論文参考訳（メタデータ） (2023-04-10T18:00:00Z)
Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
論文参考訳（メタデータ） (2023-02-01T14:47:17Z)
Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文参考訳（メタデータ） (2022-08-02T18:27:13Z)
Distributed Statistical Min-Max Learning in the Presence of Byzantine Agents [34.46660729815201]
本稿では,ビザンチンの敵対的エージェントと競合する新たな課題に焦点をあて,マルチエージェントのmin-max学習問題を考察する。我々の主な貢献は、滑らかな凸凹関数と滑らかな凸凸凸関数に対する頑健な外勾配アルゴリズムのクリップ解析を提供することである。我々の利率はほぼ最適であり、敵の汚職の影響と非汚職エージェント間の協力の利益の両方を明らかにしている。
論文参考訳（メタデータ） (2022-04-07T03:36:28Z)
Adversarially Robust Learning for Security-Constrained Optimal Power Flow [55.816266355623085]
我々は、N-kセキュリティ制約付き最適電力流(SCOPF)の課題に取り組む。 N-k SCOPFは電力網の運用における中核的な問題である。 N-k SCOPF を極小最適化問題とみなす。
論文参考訳（メタデータ） (2021-11-12T22:08:10Z)
A Q-Learning-based Approach for Distributed Beam Scheduling in mmWave Networks [18.22250038264899]
ミリ波(mmWave)セルネットワークにおける分散ダウンリンクビームスケジューリングと電力配分の問題点を考察する。異なるサービス事業者に属する複数の基地局は同じ無許可のスペクトルを共有しており、中心的な調整や協調は行われていない。本稿では,各BSを独立したQ学習エージェントとしてモデル化し,分散スケジューリング手法を提案する。
論文参考訳（メタデータ） (2021-10-17T02:58:13Z)
Learning to Solve AC Optimal Power Flow by Differentiating through Holomorphic Embeddings [17.338923885534193]
交流の最適電力の流れ(AC-OPF)は電力系統操作の基本的な問題の1つです。本稿では,電力フローソルバの動作を微分することにより,この問題を回避する効率的な戦略を示す。従来の解法に比べて12倍の速度向上と40%の堅牢性向上を報告した。
論文参考訳（メタデータ） (2020-12-16T18:23:51Z)
Gaussian MRF Covariance Modeling for Efficient Black-Box Adversarial Attacks [86.88061841975482]
我々は,ゼロオーダーのオラクルにのみアクセス可能なブラックボックス設定において,逆例を生成する問題について検討する。我々はこの設定を用いて、FGSM(Fast Gradient Sign Method)のブラックボックス版と同様に、高速な1ステップの敵攻撃を見つける。提案手法はクエリを少なくし,現在の技術よりも攻撃成功率が高いことを示す。
論文参考訳（メタデータ） (2020-10-08T18:36:51Z)

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。