論文の概要: Reinforcement Learning for Flexibility Design Problems

• arxiv url: http://arxiv.org/abs/2101.00355v2
• Date: Mon, 18 Jan 2021 14:35:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 07:21:53.274324
• Title: Reinforcement Learning for Flexibility Design Problems
• Title（参考訳）: フレキシビリティ設計問題に対する強化学習
• Authors: Yehua Wei, Lei Zhang, Ruiyi Zhang, Shijing Si, Hao Zhang, Lawrence Carin
• Abstract要約: フレキシビリティ設計問題に対する強化学習フレームワークを開発した。 実験の結果、RL法は古典的手法よりも優れた解を常に見出すことがわかった。
• 参考スコア（独自算出の注目度）: 77.37213643948108
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Flexibility design problems are a class of problems that appear in strategic decision-making across industries, where the objective is to design a ($e.g.$, manufacturing) network that affords flexibility and adaptivity. The underlying combinatorial nature and stochastic objectives make flexibility design problems challenging for standard optimization methods. In this paper, we develop a reinforcement learning (RL) framework for flexibility design problems. Specifically, we carefully design mechanisms with noisy exploration and variance reduction to ensure empirical success and show the unique advantage of RL in terms of fast-adaptation. Empirical results show that the RL-based method consistently finds better solutions compared to classical heuristics.
• Abstract（参考訳）: フレキシビリティ設計問題(英: Flexibility design problem)とは、産業間の戦略的意思決定において、柔軟性と適応性を持つネットワーク(例えば製造コスト)を設計することを目的とする問題である。 基礎となる組合せの性質と確率的目的は、標準最適化法において柔軟性設計の問題を引き起こす。 本稿では、柔軟性設計問題に対する強化学習(RL)フレームワークを開発する。 具体的には、実験的な成功を確実にするため、ノイズ探索と分散低減によるメカニズムを慎重に設計し、高速適応の観点からRLの独特な利点を示す。 実験結果から、RLに基づく手法は古典的ヒューリスティックよりも優れた解を常に見出すことが示された。

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)
• Can Learned Optimization Make Reinforcement Learning Less Difficult? [70.5036361852812]
  学習の最適化が強化学習の難しさを克服するのに役立つかどうかを検討する。 本稿では, 塑性, 探索および非定常性のための学習最適化手法(OPEN)を用いて, 入力特性と出力構造がこれらの困難に対して予め提案された情報によって通知される更新規則をメタラーニングする。
  論文  参考訳（メタデータ） (2024-07-09T17:55:23Z)
• Hybrid Reinforcement Learning Framework for Mixed-Variable Problems [0.7146036252503987]
  離散変数選択のためのRLと連続変数調整のためのベイズ最適化を組み合わせたハイブリッド強化学習(RL)フレームワークを提案する。 提案手法は,従来のRL,ランダム探索,スタンドアローンベイズ最適化を有効性と効率で常に上回っている。
  論文  参考訳（メタデータ） (2024-05-30T21:42:33Z)
• Instance-Conditioned Adaptation for Large-scale Generalization of Neural Combinatorial Optimization [15.842155380912002]
  本研究は,ニューラル最適化の大規模一般化のための新しいインスタンス・コンディション適応モデル(ICAM)を提案する。 特に,NCOモデルのための強力なインスタンス条件付きルーティング適応モジュールを設計する。 我々は,ラベル付き最適解を使わずに,モデルがクロススケールな特徴を学習することのできる,効率的な3段階強化学習ベーストレーニング手法を開発した。
  論文  参考訳（メタデータ） (2024-05-03T08:00:19Z)
• Generative Inverse Design of Metamaterials with Functional Responses by Interpretable Learning [3.931881794708454]
  ランダムフォレストに基づく解釈可能生成逆設計(RIGID)を提案する。 RIGIDは、オンデマンド機能挙動を持つメタマテリアル設計を高速に生成するための単発逆設計法である。 RIGIDの音響的・光学的メタマテリアル設計問題に対する評価を行った。
  論文  参考訳（メタデータ） (2023-12-08T04:24:03Z)
• Accelerate Presolve in Large-Scale Linear Programming via Reinforcement Learning [92.31528918811007]
  本稿では,P1)-(P3) を同時に扱うための簡易かつ効率的な強化学習フレームワーク,すなわち,事前解決のための強化学習(RL4Presolve)を提案する。 2つの解法と8つのベンチマーク(実世界と合成)の実験により、RL4Presolveは大規模LPの解法効率を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2023-10-18T09:51:59Z)
• Reinforcement Learning with Stepwise Fairness Constraints [50.538878453547966]
  本稿では,段階的公正性制約を伴う強化学習について紹介する。 我々は、ポリシーの最適性と公正性違反に関して、強力な理論的保証を持つ学習アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2022-11-08T04:06:23Z)
• Revisiting GANs by Best-Response Constraint: Perspective, Methodology, and Application [49.66088514485446]
  ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。 モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
  論文  参考訳（メタデータ） (2022-05-20T12:42:41Z)
• Reversible Action Design for Combinatorial Optimization with Reinforcement Learning [35.50454156611722]
  強化学習(rl)は、これらの問題に取り組むための新しいフレームワークとして最近登場した。 最先端の実証性能を示すだけでなく、様々な種類のCOPに一般化する汎用RLフレームワークを提案します。
  論文  参考訳（メタデータ） (2021-02-14T18:05:42Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。