Fugu-MT 論文翻訳(概要): A Benchmark for Multi-UAV Task Assignment of an Extended Team Orienteering Problem

論文の概要: A Benchmark for Multi-UAV Task Assignment of an Extended Team Orienteering Problem

arxiv url: http://arxiv.org/abs/2009.00363v1
Date: Tue, 1 Sep 2020 11:35:37 GMT
ステータス: 処理完了
システム内更新日: 2022-10-23 01:54:38.506652
Title: A Benchmark for Multi-UAV Task Assignment of an Extended Team Orienteering Problem
Title（参考訳）: 拡張チーム指向問題の複数UAVタスク割り当てのためのベンチマーク
Authors: Kun Xiao, Junqi Lu, Ying Nie, Lan Ma, Xiangke Wang, Guohui Wang
Abstract要約: 異なるアルゴリズムを評価するために,マルチUAVタスク割り当てのベンチマークを示す。拡張されたチームオリエンテーリング問題は、ある種のマルチUAVタスク割り当て問題のためにモデル化される。
参考スコア（独自算出の注目度）: 0.47302336845610055
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A benchmark for multi-UAV task assignment is presented in order to evaluate different algorithms. An extended Team Orienteering Problem is modeled for a kind of multi-UAV task assignment problem. Three intelligent algorithms, i.e., Genetic Algorithm, Ant Colony Optimization and Particle Swarm Optimization are implemented to solve the problem. A series of experiments with different settings are conducted to evaluate three algorithms. The modeled problem and the evaluation results constitute a benchmark, which can be used to evaluate other algorithms used for multi-UAV task assignment problems.
Abstract（参考訳）: 異なるアルゴリズムを評価するために,マルチUAVタスク割り当てのベンチマークを示す。拡張チームオリエンテーリング問題は、ある種のマルチUAVタスク割り当て問題のためにモデル化される。この問題を解決するために, 遺伝的アルゴリズム, アリコロニー最適化, 粒子群最適化という3つのインテリジェントアルゴリズムが実装されている。異なる設定の一連の実験を行い、3つのアルゴリズムを評価した。モデル化された問題と評価結果は、マルチUAVタスク割り当て問題に使用される他のアルゴリズムを評価するために使用されるベンチマークを構成する。

関連論文リスト

Hybrid ACO-CI Algorithm for Beam Design problems [0.4397520291340694]
The novel hybrid version of the Ant colony optimization (ACO) method was developed using the sample space reduction technique of the Cohort Intelligence (CI) algorithm。提案した研究は、工学領域や医療問題を含む現実世界の応用について検討することができる。
論文参考訳（メタデータ） (2023-03-29T04:37:14Z)
Optimal and Bounded-Suboptimal Multi-Goal Task Assignment and Path Finding [25.11387753357413]
本稿では,多目的タスク割り当てと経路探索(MG-TAPF)問題を理論的およびアルゴリズム的観点から検討する。理論的には、MG-TAPF問題は最適解法としてNPハードであることが証明される。本稿では,多エージェントパス探索問題に対するアルゴリズムに基づくアルゴリズムを提案し,MG-TAPF問題を最適・準最適に解く。
論文参考訳（メタデータ） (2022-08-02T03:17:29Z)
Multi-objective learner performance-based behavior algorithm with five multi-objective real-world engineering problems [19.535715565093764]
提案アルゴリズムは,高校生を高校から大学へ転校させるプロセスに基づいている。提案手法は,非支配的解の集合を生成する。その結果、提案された研究が非支配的なソリューションの集合を提供することが証明された。
論文参考訳（メタデータ） (2022-01-15T14:17:22Z)
Multi-Agent Reinforcement Learning in NOMA-aided UAV Networks for Cellular Offloading [59.32570888309133]
複数の無人航空機(UAV)によるセルローディングのための新しい枠組みの提案非直交多重アクセス(NOMA)技術は、無線ネットワークのスペクトル効率をさらに向上するために、各UAVに採用されている。相互深いQ-network (MDQN) アルゴリズムは,UAVの最適3次元軌道と電力配分を共同で決定するために提案される。
論文参考訳（メタデータ） (2020-10-18T20:22:05Z)
NOMA in UAV-aided cellular offloading: A machine learning approach [59.32570888309133]
複数の無人航空機(UAV)によるセルローディングのための新しい枠組みの提案非直交多重アクセス(NOMA)技術は、無線ネットワークのスペクトル効率をさらに向上するために、各UAVに採用されている。相互深いQ-network (MDQN) アルゴリズムは,UAVの最適3次元軌道と電力配分を共同で決定するために提案される。
論文参考訳（メタデータ） (2020-10-18T17:38:48Z)
A Systematic Characterization of Sampling Algorithms for Open-ended Language Generation [71.31905141672529]
本稿では,自己回帰型言語モデルに広く採用されている祖先サンプリングアルゴリズムについて検討する。エントロピー低減, 秩序保存, 斜面保全の3つの重要な特性を同定した。これらの特性を満たすサンプリングアルゴリズムのセットが,既存のサンプリングアルゴリズムと同等に動作することがわかった。
論文参考訳（メタデータ） (2020-09-15T17:28:42Z)
Follow the bisector: a simple method for multi-objective optimization [65.83318707752385]
複数の異なる損失を最小化しなければならない最適化問題を考える。提案手法は、各イテレーションにおける降下方向を計算し、目的関数の相対的減少を等しく保証する。
論文参考訳（メタデータ） (2020-07-14T09:50:33Z)
Multi-objective beetle antennae search algorithm [4.847470451539327]
提案する多目的ビートルアンテナ探索アルゴリズムは,4つのよく選択されたベンチマーク関数を用いて検証する。その結果,提案した多目的ビートルアンテナ探索アルゴリズムは計算効率が良く,精度も良好であることが示唆された。
論文参考訳（メタデータ） (2020-02-24T06:34:32Z)
Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文参考訳（メタデータ） (2020-01-29T09:40:58Z)
Pareto Multi-Task Learning [53.90732663046125]
マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
論文参考訳（メタデータ） (2019-12-30T08:58:40Z)

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。