論文の概要: Automatic Preference Based Multi-objective Evolutionary Algorithm on Vehicle Fleet Maintenance Scheduling Optimization

• arxiv url: http://arxiv.org/abs/2101.09556v1
• Date: Sat, 23 Jan 2021 18:48:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 04:16:37.411347
• Title: Automatic Preference Based Multi-objective Evolutionary Algorithm on Vehicle Fleet Maintenance Scheduling Optimization
• Title（参考訳）: 自動選好型多目的進化アルゴリズムによる車両のメンテナンススケジューリング最適化
• Authors: Yali Wang, Steffen Limmer, Markus Olhofer, Michael Emmerich, Thomas Baeck
• Abstract要約: 自動検出膝点領域における解を生成するために, 選好に基づく多目的進化アルゴリズムを提案する。 新たに提案したアルゴリズムは、選好領域を正確に生成し、選好領域でより良い解を得ることができる。
• 参考スコア（独自算出の注目度）: 16.435391367609586
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A preference based multi-objective evolutionary algorithm is proposed for generating solutions in an automatically detected knee point region. It is named Automatic Preference based DI-MOEA (AP-DI-MOEA) where DI-MOEA stands for Diversity-Indicator based Multi-Objective Evolutionary Algorithm). AP-DI-MOEA has two main characteristics: firstly, it generates the preference region automatically during the optimization; secondly, it concentrates the solution set in this preference region. Moreover, the real-world vehicle fleet maintenance scheduling optimization (VFMSO) problem is formulated, and a customized multi-objective evolutionary algorithm (MOEA) is proposed to optimize maintenance schedules of vehicle fleets based on the predicted failure distribution of the components of cars. Furthermore, the customized MOEA for VFMSO is combined with AP-DI-MOEA to find maintenance schedules in the automatically generated preference region. Experimental results on multi-objective benchmark problems and our three-objective real-world application problems show that the newly proposed algorithm can generate the preference region accurately and that it can obtain better solutions in the preference region. Especially, in many cases, under the same budget, the Pareto optimal solutions obtained by AP-DI-MOEA dominate solutions obtained by MOEAs that pursue the entire Pareto front.
• Abstract（参考訳）: 自動検出膝点領域における解を生成するために, 選好に基づく多目的進化アルゴリズムを提案する。 自動推論に基づくDI-MOEA (AP-DI-MOEA) と呼ばれ、DI-MOEAは多目的進化アルゴリズム(diversity-Indicator based Multi-Objective Evolutionary Algorithm)の略である。 AP-DI-MOEAには2つの主な特徴がある: まず、最適化中に自動的に優先領域を生成する。 さらに, 車両の部品の故障分布を予測し, 車両のメンテナンススケジュールを最適化するために, 実世界の車両のメンテナンススケジューリング最適化 (VFMSO) 問題を定式化し, カスタマイズされた多目的進化アルゴリズム (MOEA) を提案する。 さらに、VFMSO用にカスタマイズされたMOEAとAP-DI-MOEAを組み合わせることで、自動生成された嗜好領域におけるメンテナンススケジュールを見つける。 多目的ベンチマーク問題と3目的実世界のアプリケーション問題に対する実験結果から,新たに提案したアルゴリズムが選好領域を正確に生成し,選好領域でより良い解が得られることが示された。 特に、同じ予算の下では、AP-DI-MOEAによって得られるパレート最適解が、パレートフロント全体を追求するMOEAによって得られる解を支配している。

関連論文リスト

• Unlearning as multi-task optimization: A normalized gradient difference approach with an adaptive learning rate [105.86576388991713]
  正規化勾配差(NGDiff)アルゴリズムを導入し、目的間のトレードオフをよりよく制御できるようにする。 本研究では,TOFUおよびMUSEデータセットにおける最先端の未学習手法において,NGDiffの優れた性能を実証的に実証し,理論的解析を行った。
  論文  参考訳（メタデータ） (2024-10-29T14:41:44Z)
• Multiobjective Vehicle Routing Optimization with Time Windows: A Hybrid Approach Using Deep Reinforcement Learning and NSGA-II [52.083337333478674]
  本稿では、時間窓を用いた多目的車両ルーティング問題(MOVRPTW)に対処するために、ウェイト・アウェア・ディープ・強化学習(WADRL)手法を提案する。 WADRLの結果を最適化するために非支配的ソート遺伝的アルゴリズム-II (NSGA-II) 法を用いる。
  論文  参考訳（メタデータ） (2024-07-18T02:46:06Z)
• Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process Optimization [59.45414406974091]
  我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。 NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。 その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
  論文  参考訳（メタデータ） (2023-05-31T12:07:50Z)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)
• Obtaining Smoothly Navigable Approximation Sets in Bi-Objective Multi-Modal Optimization [0.0]
  MM-BezEAは、個々のニッチをカバーし、固有の決定空間の滑らかさを示す近似セットを生成する。 MM-BezEAは最高の超体積の点で最高の性能を示した。
  論文  参考訳（メタデータ） (2022-03-17T10:05:54Z)
• Multi-path Neural Networks for On-device Multi-domain Visual Classification [55.281139434736254]
  本稿では,モバイルデバイス上でのマルチドメイン視覚分類のためのマルチパスネットワークの自動学習手法を提案する。 提案するマルチパスネットワークは,各ドメインに1つの強化学習コントローラを適用して,MobileNetV3のような検索空間から生成されたスーパーネットワークの最適経路を選択することにより,ニューラルネットワーク検索から学習する。 決定されたマルチパスモデルは、個々のドメインパス内の非共有ノード内にドメイン固有のパラメータを保持しながら、共有ノード内のドメイン間でパラメータを選択的に共有する。
  論文  参考訳（メタデータ） (2020-10-10T05:13:49Z)
• Multi-Agent Deep Reinforcement Learning Based Trajectory Planning for Multi-UAV Assisted Mobile Edge Computing [99.27205900403578]
  無人航空機(UAV)支援移動エッジコンピューティング(MEC)フレームワークを提案する。 我々は,全ユーザ機器(UE)の地理的公正性と,各UAVのUE負荷の公平性を共同で最適化することを目的としている。 提案手法は他の従来のアルゴリズムよりもかなり性能が高いことを示す。
  論文  参考訳（メタデータ） (2020-09-23T17:44:07Z)
• Algorithm Configurations of MOEA/D with an Unbounded External Archive [7.745468825770201]
  実行中に基準点仕様を線形に変更することによりMOEA/Dの性能が向上することを示す。 また、遺伝的アルゴリズムに基づくオフラインハイパーヒューリスティック手法を用いて、各フレームワークにおけるMOEA/Dの最適構成を求める。
  論文  参考訳（メタデータ） (2020-07-27T08:14:37Z)
• Decomposition in Decision and Objective Space for Multi-Modal Multi-Objective Optimization [15.681236469530397]
  多モード多目的最適化問題(MMMOP)はパレート最適集合内に複数の部分集合を持つ。 一般的な多目的進化的アルゴリズムは、複数の解部分集合を探索するために純粋に設計されていないが、MMMOP向けに設計されたアルゴリズムは、目的空間における劣化した性能を示す。 これは、MMMOPに対処するためのより良いアルゴリズムの設計を動機付けている。
  論文  参考訳（メタデータ） (2020-06-04T03:18:47Z)
• dMFEA-II: An Adaptive Multifactorial Evolutionary Algorithm for Permutation-based Discrete Optimization Problems [6.943742860591444]
  本稿では、最近導入されたMFEA-II(Multifactorial Evolutionary Algorithm II)を、置換に基づく離散環境に適用する。 提案手法の性能を5種類のマルチタスク設定で評価した。
  論文  参考訳（メタデータ） (2020-04-14T14:42:47Z)
• 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)

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。