論文の概要: A Particle Swarm Inspired Approach for Continuous Distributed Constraint Optimization Problems

• arxiv url: http://arxiv.org/abs/2010.10192v1
• Date: Tue, 20 Oct 2020 11:04:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 07:30:31.162175
• Title: A Particle Swarm Inspired Approach for Continuous Distributed Constraint Optimization Problems
• Title（参考訳）: 連続分散制約最適化問題に対するParticle Swarmによるアプローチ
• Authors: Moumita Choudhury, Amit Sarker, Md. Mosaddek Khan, William Yeoh
• Abstract要約: 連続DCOPは連続変数で問題を明示的にモデル化することができる。 C-DCOPを解くための最先端のアプローチは、面倒なメモリか計算オーバーヘッドのいずれかを経験する。 そこで我々は,Particle Swarm Optimization(PSO)にインスパイアされた新しいC-DCOPアルゴリズム,すなわちParticle Swarm Optimization Based C-DCOP(PCD)を提案する。
• 参考スコア（独自算出の注目度）: 7.512486812178571
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distributed Constraint Optimization Problems (DCOPs) are a widely studied framework for coordinating interactions in cooperative multi-agent systems. In classical DCOPs, variables owned by agents are assumed to be discrete. However, in many applications, such as target tracking or sleep scheduling in sensor networks, continuous-valued variables are more suitable than discrete ones. To better model such applications, researchers have proposed Continuous DCOPs (C-DCOPs), an extension of DCOPs, that can explicitly model problems with continuous variables. The state-of-the-art approaches for solving C-DCOPs experience either onerous memory or computation overhead and unsuitable for non-differentiable optimization problems. To address this issue, we propose a new C-DCOP algorithm, namely Particle Swarm Optimization Based C-DCOP (PCD), which is inspired by Particle Swarm Optimization (PSO), a well-known centralized population-based approach for solving continuous optimization problems. In recent years, population-based algorithms have gained significant attention in classical DCOPs due to their ability in producing high-quality solutions. Nonetheless, to the best of our knowledge, this class of algorithms has not been utilized to solve C-DCOPs and there has been no work evaluating the potential of PSO in solving classical DCOPs or C-DCOPs. In light of this observation, we adapted PSO, a centralized algorithm, to solve C-DCOPs in a decentralized manner. The resulting PCD algorithm not only produces good-quality solutions but also finds solutions without any requirement for derivative calculations. Moreover, we design a crossover operator that can be used by PCD to further improve the quality of solutions found. Finally, we theoretically prove that PCD is an anytime algorithm and empirically evaluate PCD against the state-of-the-art C-DCOP algorithms in a wide variety of benchmarks.
• Abstract（参考訳）: 分散制約最適化問題(Distributed Constraint Optimization Problems, DCOP)は、協調型マルチエージェントシステムにおける相互作用を協調するフレームワークである。 古典的なDCOPでは、エージェントによって所有される変数は離散的であると仮定される。 しかし、センサネットワークのターゲットトラッキングやスリープスケジューリングのような多くのアプリケーションでは、連続値変数は離散変数よりも適している。 このようなアプリケーションをモデル化するために、研究者は連続変数による問題を明示的にモデル化できるDCOPの拡張であるContinuous DCOPs (C-DCOPs)を提案した。 C-DCOPを解くための最先端のアプローチは、一方的なメモリか計算オーバーヘッドを経験し、微分不可能な最適化問題には適さない。 そこで本研究では,PSO(Particle Swarm Optimization Based C-DCOP)にインスパイアされたC-DCOPアルゴリズムを提案する。 近年、人口ベースのアルゴリズムは、高品質なソリューションを作成する能力により、古典的なDCOPにおいて大きな注目を集めている。 しかしながら、我々の知る限りでは、このアルゴリズムはC-DCOPの解法には使われておらず、古典的なDCOPやC-DCOPの解法におけるPSOの可能性を評価する研究は行われていない。 そこで我々は,C-DCOPを分散的に解くために,集中型アルゴリズムであるPSOを適用した。 結果として得られるPCDアルゴリズムは、高品質な解を生成するだけでなく、微分計算の必要のない解も見つけ出す。 さらに, pcd が検出する解の質をさらに向上させるために, クロスオーバ演算子を設計した。 最後に,PCDが任意のアルゴリズムであることを理論的に証明し,様々なベンチマークで最新のC-DCOPアルゴリズムに対してPCDを実証的に評価する。

関連論文リスト

• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
  非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。 本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
  論文  参考訳（メタデータ） (2022-01-28T05:53:28Z)
• Neural Stochastic Dual Dynamic Programming [99.80617899593526]
  我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。 $nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
  論文  参考訳（メタデータ） (2021-12-01T22:55:23Z)
• Two-Stage Stochastic Optimization via Primal-Dual Decomposition and Deep Unrolling [86.85697555068168]
  2段階のアルゴリズム最適化は、様々な工学や科学的応用において重要な役割を果たす。 特に長期変数と短期変数が制約の中で結合されている場合、アルゴリズムは効率的ではない。 PDD-SSCAが既存のソリューションよりも優れたパフォーマンスを達成できることを示します。
  論文  参考訳（メタデータ） (2021-05-05T03:36:00Z)
• Improving Solution Quality of Bounded Max-Sum Algorithm to Solve DCOPs involving Hard and Soft Constraints [3.0969191504482243]
  BMS (Bunded Max-Sum) は、分散化調整問題の特定の形態に対する近似解を提供するメッセージパッシングアルゴリズムである。 特に、BMSアルゴリズムは、計算コストを犠牲にして、大規模な検索空間を持つこのタイプの問題を解くことができる。
  論文  参考訳（メタデータ） (2020-12-02T18:10:14Z)
• Hybrid DCOP Solvers: Boosting Performance of Local Search Algorithms [0.6853165736531939]
  本稿では,非対称分散制約最適化問題(DCOP)の解法を提案する。 DCOPソルバを高速な非イテレーティブなDCOPソルバで初期化する。 既存のDCOPソルバの開始条件の変更は,アルゴリズム収束時間を最大50%短縮するだけでなく,通信オーバーヘッドを低減し,解の質の向上につながることを示す。
  論文  参考訳（メタデータ） (2020-09-04T15:17:24Z)
• On Population-Based Algorithms for Distributed Constraint Optimization Problems [12.21350091202884]
  我々は、人口ベースのアルゴリズムとして広く呼ばれる、新しい不完全アルゴリズムのクラスについて研究する。 最初のアプローチであるAnytime Evolutionary DCOP(AED)は、進化最適化メタヒューリスティックを利用してDCOPを解く。 第2のコントリビューションでは、人口ベースのアプローチと局所的な検索アプローチを組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2020-09-02T06:39:30Z)
• A Dynamical Systems Approach for Convergence of the Bayesian EM Algorithm [59.99439951055238]
  我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。 本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。 高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-23T01:34:18Z)
• C-CoCoA: A Continuous Cooperative Constraint Approximation Algorithm to Solve Functional DCOPs [4.404507236193031]
  本稿では,協調制約近似(CoCoA)アルゴリズムに非線形最適化法を適用した。 提案アルゴリズムは,通信コストの低減と実行時間の短縮を犠牲にして,高品質なソリューションを提供することができる。
  論文  参考訳（メタデータ） (2020-02-27T20:44:25Z)
• Learning Optimal Temperature Region for Solving Mixed Integer Functional DCOPs [26.16778095954815]
  分散制約最適化問題(DCOP)と機能DCOP(F-DCOP)を組み合わせる。 次に、DPSA(Distributed Parallel Simulated Annealing)という新しいアルゴリズムを提案する。 DPSAは, 現状の非現実的アルゴリズムよりも高い品質の解を, 対応する設定で生成することを示す。
  論文  参考訳（メタデータ） (2020-02-27T09:46:40Z)

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。

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。