論文の概要: A differential evolution-based optimization tool for interplanetary
transfer trajectory design
- arxiv url: http://arxiv.org/abs/2011.06780v3
- Date: Tue, 13 Apr 2021 13:55:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 00:12:38.377277
- Title: A differential evolution-based optimization tool for interplanetary
transfer trajectory design
- Title(参考訳): 惑星間移動軌道設計のための微分進化に基づく最適化ツール
- Authors: Mingcheng Zuo, Guangming Dai, Lei Peng, Zhe Tang
- Abstract要約: 本稿では,CODE (Cooperative Differential Evolution) と呼ばれる強力な微分進化に基づく最適化ツールを提案する。
CODEは、初期のプロセスでグローバルな構造を学ぶことに集中し、異なる局所空間の構造を自己適応的に学習する傾向がある2段階の進化過程を採用している。
最も複雑なMessenger(フル)問題に対して、目的関数が3.38km/sに等しい最良のソリューションは、他のスワム知能アルゴリズムが容易に到達できないレベルである。
- 参考スコア(独自算出の注目度): 0.5792385818430937
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The extremely sensitive and highly nonlinear search space of interplanetary
transfer trajectory design bring about big challenges on global optimization.
As a representative, the current known best solution of the global trajectory
optimization problem (GTOP) designed by the European space agency (ESA) is very
hard to be found. To deal with this difficulty, a powerful differential
evolution-based optimization tool named COoperative Differential Evolution
(CODE) is proposed in this paper. CODE employs a two-stage evolutionary
process, which concentrates on learning global structure in the earlier
process, and tends to self-adaptively learn the structures of different local
spaces. Besides, considering the spatial distribution of global optimum on
different problems and the gradient information on different variables, a
multiple boundary check technique has been employed. Also, Covariance Matrix
Adaptation Evolutionary Strategies (CMA-ES) is used as a local optimizer. The
previous studies have shown that a specific swarm intelligent optimization
algorithm usually can solve only one or two GTOP problems. However, the
experimental test results show that CODE can find the current known best
solutions of Cassini1 and Sagas directly, and the cooperation with CMA-ES can
solve Cassini2, GTOC1, Messenger (reduced) and Rosetta. For the most
complicated Messenger (full) problem, even though CODE cannot find the current
known best solution, the found best solution with objective function equaling
to 3.38 km/s is still a level that other swarm intelligent algorithms cannot
easily reach.
- Abstract(参考訳): 惑星間移動軌道設計の非常に敏感で非線形な探索空間は、地球規模の最適化に大きな課題をもたらす。
代表例として、欧州宇宙機関(esa)が設計したグローバル軌道最適化問題(gtop)の現在知られている最善の解を見つけることは非常に困難である。
この課題に対処するために,CODE(Cooperative Differential Evolution)と呼ばれる強力な微分進化に基づく最適化ツールを提案する。
CODEは、初期のプロセスでグローバルな構造を学ぶことに集中し、異なる局所空間の構造を自己適応的に学ぶ傾向がある2段階の進化過程を採用している。
また、異なる問題に対するグローバル最適の空間分布と異なる変数の勾配情報を考慮して、複数の境界チェック手法が採用されている。
また、CMA-ES(Covariance Matrix Adaptation Evolutionary Strategies)をローカルオプティマイザとして使用する。
従来の研究では、特定のSwarm知能最適化アルゴリズムは、通常、1つまたは2つのGTOP問題を解くことができる。
しかし、実験の結果、CODEはCassini1とSagasの既知の最良の解を直接見つけることができ、CMA-ESとの協力によりCassini2、GTOC1、Messenger (reduced)、Rosttaを解けることが示された。
最も複雑なMessenger(フル)問題に対して、CODEは現在の既知の最良のソリューションを見つけることができないが、客観的関数が3.38km/sに等しい最良のソリューションは、他のスワム知能アルゴリズムが容易に到達できないレベルである。
関連論文リスト
- Non-iterative Optimization of Trajectory and Radio Resource for Aerial Network [7.824710236769593]
我々は,空中IoTネットワークにおける共同軌道計画,ユーザアソシエーション,資源配分,電力制御の問題に対処する。
我々のフレームワークは、遺伝的、木探索、強化学習といった様々な軌道計画アルゴリズムを組み込むことができる。
論文 参考訳(メタデータ) (2024-05-02T14:21:29Z) - Path Signatures for Diversity in Probabilistic Trajectory Optimisation [24.101232487591094]
移動計画は、発生した軌道の関数としてコストを最小化する軌道最適化問題としてキャストすることができる。
近年のハードウェアの進歩により、複数の解が同時に得られる並列軌道最適化が可能になった。
本稿では, 並列軌道最適化のアルゴリズムを提案し, 解域の多様性を向上し, モード崩壊を回避する。
論文 参考訳(メタデータ) (2023-08-08T06:10:53Z) - Fighting the curse of dimensionality: A machine learning approach to
finding global optima [77.34726150561087]
本稿では,構造最適化問題におけるグローバル最適化の方法を示す。
特定のコスト関数を利用することで、最適化手順が確立された場合と比較して、グローバルをベストに得るか、最悪の場合、優れた結果を得るかのどちらかを得る。
論文 参考訳(メタデータ) (2021-10-28T09:50:29Z) - A Bi-Level Framework for Learning to Solve Combinatorial Optimization on
Graphs [91.07247251502564]
本稿では,2つの世界の長所を結合するハイブリッドな手法を提案する。この手法では,グラフを最適化する上層学習手法とバイレベルフレームワークを開発する。
このような二段階のアプローチは、元のハードCOでの学習を単純化し、モデルキャパシティの需要を効果的に軽減することができる。
論文 参考訳(メタデータ) (2021-06-09T09:18:18Z) - A Framework for Discovering Optimal Solutions in Photonic Inverse Design [0.0]
フォトニック逆設計は複雑な光学系にとって必須の工学ツールとして登場した。
グローバル最適に近づく解を見つけることは、計算的に難解なタスクを示すかもしれない。
我々は,複雑な最適化空間上でのグローバル最適化に近い解の探索を高速化するフレームワークを開発する。
論文 参考訳(メタデータ) (2021-06-03T22:11:03Z) - AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。
探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。
学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
論文 参考訳(メタデータ) (2021-03-22T13:28:56Z) - Evolutionary Gait Transfer of Multi-Legged Robots in Complex Terrains [14.787379075870383]
本稿では、Tr-GOと呼ばれる歩行最適化のための移動学習に基づく進化的フレームワークを提案する。
この考え方は、トランスファーラーニング技術を用いて高品質な人口を初期化することを目的としており、どんな集団ベースの最適化アルゴリズムでもこのフレームワークにシームレスに統合できる。
実験の結果,3つの多目的進化アルゴリズムに基づく歩行最適化問題に対する提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-12-24T16:41:36Z) - Domain Adaptive Person Re-Identification via Coupling Optimization [58.567492812339566]
ドメイン適応型人物再識別(ReID)は、ドメインのギャップとターゲットシナリオに対するアノテーションの不足のために困難である。
本稿では,ドメイン不変写像 (DIM) 法とグローバル局所距離最適化 (GLO) を含む結合最適化手法を提案する。
GLOはターゲットドメインの教師なし設定でReIDモデルをトレーニングするために設計されている。
論文 参考訳(メタデータ) (2020-11-06T14:01:03Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳(メタデータ) (2020-07-09T10:19:22Z) - sKPNSGA-II: Knee point based MOEA with self-adaptive angle for Mission
Planning Problems [2.191505742658975]
いくつかの問題には、多くの非支配的な解をもたらす多くの目的がある。
本稿では,最も重要な解を得るために設計された新しいアルゴリズムを提案する。
このアルゴリズムは無人航空機(UAV)ミッション計画問題における実世界の応用に応用されている。
論文 参考訳(メタデータ) (2020-02-20T17:07:08Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2~5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳(メタデータ) (2020-02-04T20:00:28Z)
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。