論文の概要: Hierarchical Planning for Resource Allocation in Emergency Response Systems

• arxiv url: http://arxiv.org/abs/2012.13300v2
• Date: Thu, 4 Mar 2021 03:17:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 08:19:26.799218
• Title: Hierarchical Planning for Resource Allocation in Emergency Response Systems
• Title（参考訳）: 緊急対応システムにおける資源配分の階層的計画
• Authors: Geoffrey Pettet and Ayan Mukhopadhyay and Mykel Kochenderfer and Abhishek Dubey
• Abstract要約: 都市規模のサイバー物理システムにおける古典的な問題は、不確実性の下で資源割り当てである。 オンライン、オフライン、分散型のアプローチはそのような問題に適用されていますが、大規模な決定問題へのスケーリングは困難です。 不確実性下における資源配分のための都市レベルのCPS問題の構造を利用する階層計画への一般的なアプローチを提示する。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A classical problem in city-scale cyber-physical systems (CPS) is resource allocation under uncertainty. Typically, such problems are modeled as Markov (or semi-Markov) decision processes. While online, offline, and decentralized approaches have been applied to such problems, they have difficulty scaling to large decision problems. We present a general approach to hierarchical planning that leverages structure in city-level CPS problems for resource allocation under uncertainty. We use the emergency response as a case study and show how a large resource allocation problem can be split into smaller problems. We then create a principled framework for solving the smaller problems and tackling the interaction between them. Finally, we use real-world data from Nashville, Tennessee, a major metropolitan area in the United States, to validate our approach. Our experiments show that the proposed approach outperforms state-of-the-art approaches used in the field of emergency response.
• Abstract（参考訳）: 都市規模のサイバー物理システム(CPS)における古典的な問題は、不確実性の下で資源割り当てである。 通常、そのような問題はマルコフ決定過程(あるいは半マルコフ決定過程)としてモデル化される。 このような問題に対して、オンライン、オフライン、分散のアプローチが適用されてきたが、大きな意思決定問題へのスケールアップは困難である。 本稿では,都市レベルのCPS問題の構造を不確実性を考慮した資源配分に活用する階層的計画手法を提案する。 緊急対応を事例研究として,大規模資源割当問題をどのようにより小さな問題に分割できるかを示す。 次に、より小さな問題を解決し、それらの相互作用に取り組むための原則化されたフレームワークを作成します。 最後に、アメリカの主要都市圏であるテネシー州ナッシュビルからの実世界データを使用して、我々のアプローチを検証する。 提案手法は,緊急対応分野における最先端のアプローチよりも優れていることを示す。

関連論文リスト

• Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
  ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。 この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。 この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
  論文  参考訳（メタデータ） (2024-09-29T23:57:25Z)
• Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
  本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。 HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2024-06-25T07:42:30Z)
• Eliciting Problem Specifications via Large Language Models [4.055489363682198]
  大型言語モデル(LLM)は、問題クラスを半形式仕様にマッピングするために利用することができる。 認知システムは、問題空間仕様を使用して、問題クラスからの問題の複数のインスタンスを解決することができる。
  論文  参考訳（メタデータ） (2024-05-20T16:19:02Z)
• Swap-based Deep Reinforcement Learning for Facility Location Problems in Networks [11.613708854129037]
  グラフ上の施設位置問題は、実世界ではユビキタスであり、非常に重要である。 p-median問題とグラフ上の施設配置問題に対処するスワップベースフレームワークを提案する。 また,複雑なグラフ構造に対する意識を示す新しい強化学習モデルも導入する。
  論文  参考訳（メタデータ） (2023-12-25T09:00:25Z)
• Proactive Resource Request for Disaster Response: A Deep Learning-based Optimization Model [0.2580765958706854]
  我々は,要求される資源の最適量を積極的に決定する新たな資源管理問題を開発する。 我々は,問題の健全な特性を考慮に入れ,今後の需要予測のための新しいディープラーニング手法を開発した。 実世界とシミュレーションデータの両方を用いて,既存手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-07-31T13:44:01Z)
• A Hierarchical Temporal Planning-Based Approach for Dynamic Hoist Scheduling Problems [11.66506213335498]
  ホイストスケジューリングは、自律デバイスの開発で産業応用の電気めっきのボトルネックとなっている。 適応型PDDLの形で新しい時間計画問題としてホイストスケジューリング問題を定式化する。 この問題に対するソリューションメソッドの評価に使用できる実生活ベンチマークインスタンスのコレクションを提供する。
  論文  参考訳（メタデータ） (2022-12-11T05:30:44Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• Contingency-Aware Influence Maximization: A Reinforcement Learning Approach [52.109536198330126]
  インフルエンス(IM)問題は、インフルエンスの普及を最大化する、ソーシャルネットワーク内のシードノードのサブセットを見つけることを目的としている。 本研究では、招待されたノードがシードであるかどうかが不確実なIM問題(contingency-aware IM)に焦点をあてる。 最初の成功にもかかわらず、より多くのコミュニティへのソリューションの推進における大きな実践上の障害は、欲張りのアルゴリズムの巨大な実行時である。
  論文  参考訳（メタデータ） (2021-06-13T16:42:22Z)
• Coordinated Online Learning for Multi-Agent Systems with Coupled Constraints and Perturbed Utility Observations [91.02019381927236]
  本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。 提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
  論文  参考訳（メタデータ） (2020-10-21T10:11:17Z)
• Resource Allocation via Model-Free Deep Learning in Free Space Optical Communications [119.81868223344173]
  本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。 本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:38:51Z)
• On Algorithmic Decision Procedures in Emergency Response Systems in Smart and Connected Communities [21.22596396400625]
  緊急対応管理(ERM)は、世界中のコミュニティが直面している重要な問題である。 我々は、ERMシステムの計画の重要な期間は、事故後ではなく、事故間にあると論じる。 本稿では,ディスパッチ問題の構造を活用・活用する2つの部分分散マルチエージェント計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-21T07:04:38Z)

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。