論文の概要: An enhanced simulation-based iterated local search metaheuristic for
gravity fed water distribution network design optimization
- arxiv url: http://arxiv.org/abs/2009.01197v3
- Date: Mon, 7 Jun 2021 10:38:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 19:36:20.309639
- Title: An enhanced simulation-based iterated local search metaheuristic for
gravity fed water distribution network design optimization
- Title（参考訳）: 重み付き配水ネットワーク設計最適化のための拡張シミュレーションに基づく反復局所探索メタヒューリスティック
- Authors: Willian C. S. Martinho, Rafael A. Melo, Kenneth S\"orensen
- Abstract要約: 重力給水ネットワーク設計(WDND)の最適化問題は、水道網の管径を決定することである。
そこで本研究では,高品質な解を求めるために,新たなシミュレーションに基づく反復型局所探索メタヒューリスティックを提案する。
- 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: The gravity fed water distribution network design (WDND) optimization problem
consists in determining the pipe diameters of a water network such that
hydraulic constraints are satisfied and the total cost is minimized.
Traditionally, such design decisions are made on the basis of expert
experience. When networks increase in size, however, rules of thumb will rarely
lead to near optimal decisions. Over the past thirty years, a large number of
techniques have been developed to tackle the problem of optimally designing a
water distribution network. In this paper, we tackle the NP-hard water
distribution network design (WDND) optimization problem in a multi-period
setting where time varying demand patterns occur. We propose a new
simulation-based iterated local search metaheuristic which further explores the
structure of the problem in an attempt to obtain high quality solutions.
Computational experiments show that our approach is very competitive as it is
able to improve over a state-of-the-art metaheuristic for most of the performed
tests. Furthermore, it converges much faster to low cost solutions and
demonstrates a more robust performance in that it obtains smaller deviations
from the best known solutions.
- Abstract（参考訳）: 重力給水ネットワーク設計(WDND)最適化問題は、水圧制約を満足し、総コストを最小化するように、水圧ネットワークの管径を決定することである。
伝統的に、このような設計決定は専門家の経験に基づいて行われる。
しかし、ネットワークのサイズが大きくなると、親指の規則がほぼ最適な決定につながることは滅多にない。
過去30年にわたり,配水網を最適に設計する問題に取り組むために,数多くの技術が開発されてきた。
本稿では,時間変化の需要パターンが発生する多時期設定において,np-hard water distribution network design (wdnd) 最適化問題に取り組む。
そこで本研究では,高品質な解を求めるために,新たなシミュレーションに基づく反復型局所探索メタヒューリスティックを提案する。
計算実験の結果、ほとんどのテストで最先端のメタヒューリスティックを改善できるため、このアプローチは非常に競争力があることがわかった。
さらに、低コストの解にはるかに早く収束し、最もよく知られた解からより小さな偏差を得るというより堅牢な性能を示す。
関連論文リスト
- Liner Shipping Network Design with Reinforcement Learning [1.833650794546064]
本稿では,Liner Shipping Network Design Problem (LSNDP) に対処する新しい強化学習フレームワークを提案する。
提案手法では,ALIBをベースとしたマルチコモディティ・フロー・ソルバと統合したモデルレス強化学習アルゴリズムをネットワーク設計に適用する。
論文 参考訳（メタデータ） (2024-11-13T22:49:16Z) - Evolutionary Greedy Algorithm for Optimal Sensor Placement Problem in Urban Sewage Surveillance [6.133464220178637]
本稿では,大規模有向ネットワークの効率的かつ効率的な最適化を実現するために,新しい進化的欲求アルゴリズム(EG)を提案する。
提案手法は,香港の小規模合成ネットワークと大規模実世界の下水ネットワークの両方で評価される。
論文 参考訳（メタデータ） (2024-09-25T09:27:51Z) - DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。
拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-13T07:56:21Z) - DiffuSolve: Diffusion-based Solver for Non-convex Trajectory Optimization [9.28162057044835]
最適軌道局所は非線形および高次元力学系において計算コストが高い。
本稿では,非次元オプティマ問題に対するDiffuに基づく一般モデルを提案する。
また,新たな制約付き拡散モデルであるDiff+を提案する。
論文 参考訳（メタデータ） (2024-02-22T03:52:17Z) - Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳（メタデータ） (2023-10-10T00:21:10Z) - Bayesian Quality-Diversity approaches for constrained optimization
problems with mixed continuous, discrete and categorical variables [0.3626013617212667]
シミュレーション予算の制限という観点から,混合変数に基づく新しい品質多様性手法を提案する。
提案手法は、複雑なシステム設計のための意思決定者にとって貴重なトレードオフを提供する。
論文 参考訳（メタデータ） (2023-09-11T14:29:47Z) - RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。
本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-11-17T11:06:29Z) - DDCNet: Deep Dilated Convolutional Neural Network for Dense Prediction [0.0]
受容場(ERF)とネットワーク内の空間的特徴の高分解能は、高分解能密度推定を提供することに不可欠である。
空間的特徴の解像度を高く保ちながら、より大きな受容場を提供できるネットワークアーキテクチャを設計するための体系的なアプローチを提案する。
論文 参考訳（メタデータ） (2021-07-09T23:15:34Z) - MineReduce: an approach based on data mining for problem size reduction [58.720142291102135]
本稿では,マイニングパターンを用いて問題サイズの削減を行うMineReduceという手法を提案する。
異種車両ルーティング問題に対するMineReduceの適用について述べる。
論文 参考訳（メタデータ） (2020-05-15T08:49:50Z) - Rethinking Differentiable Search for Mixed-Precision Neural Networks [83.55785779504868]
低ビット幅に量子化された重みとアクティベーションを持つ低精度ネットワークは、エッジデバイスでの推論を加速するために広く利用されている。
現在の解は均一であり、全てのフィルタに同じビット幅を使用する。
これは異なるフィルタの異なる感度を考慮せず、最適以下である。
混合精度ネットワークは、ビット幅を個々のフィルタ要求に調整することでこの問題に対処する。
論文 参考訳（メタデータ） (2020-04-13T07:02:23Z) - Optimizing Wireless Systems Using Unsupervised and
Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。
本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文 参考訳（メタデータ） (2020-01-03T11:01:52Z)
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。