Fugu-MT 論文翻訳(概要): Advanced Ore Mine Optimisation under Uncertainty Using Evolution

論文の概要: Advanced Ore Mine Optimisation under Uncertainty Using Evolution

arxiv url: http://arxiv.org/abs/2102.05235v1
Date: Wed, 10 Feb 2021 03:10:02 GMT
ステータス: 処理完了
システム内更新日: 2021-02-11 14:26:29.571205
Title: Advanced Ore Mine Optimisation under Uncertainty Using Evolution
Title（参考訳）: 進化的不確実性下における鉱石の高度最適化
Authors: William Reid, Aneta Neumann, Simon Ratcliffe, Frank Neumann
Abstract要約: 本稿では,進化計算技術に基づく抽出シーケンスを最適化するMaptekのソフトウェアシステム進化について考察する。ニューラルネットワークのアンサンブルによって得られた予測に基づいて, 鉱石鉱床に対する溶液の不確かさを定量化する。
参考スコア（独自算出の注目度）: 11.082000194536024
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we investigate the impact of uncertainty in advanced ore mine optimisation. We consider Maptek's software system Evolution which optimizes extraction sequences based on evolutionary computation techniques and quantify the uncertainty of the obtained solutions with respect to the ore deposit based on predictions obtained by ensembles of neural networks. Furthermore, we investigate the impact of staging on the obtained optimized solutions and discuss a wide range of components for this large scale stochastic optimisation problem which allow to mitigate the uncertainty in the ore deposit while maintaining high profitability.
Abstract（参考訳）: 本稿では,高度鉱業最適化における不確実性の影響について検討する。ニューラルネットワークのアンサンブルによって得られた予測に基づいて,進化的計算手法に基づいて抽出シーケンスを最適化し,得られた解の不確かさを定量化する,maptekのソフトウェアシステム進化を考える。さらに, 得られた最適化解に対するステージングの影響について検討し, この大規模確率最適化問題に対して, 高い収益性を維持しつつ, 鉱床の不確実性を緩和できる幅広い成分について検討する。

関連論文リスト

End-to-End Conformal Calibration for Optimization Under Uncertainty [32.844953018302874]
本稿では,条件最適化のための不確実性推定を学習するためのエンドツーエンドフレームワークを開発する。さらに,部分凸ニューラルネットワークを用いた任意の凸不確実性集合の表現を提案する。我々のアプローチは2段階最適化によって一貫して改善される。
論文参考訳（メタデータ） (2024-09-30T17:38:27Z)
End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文参考訳（メタデータ） (2024-02-12T16:33:35Z)
Improving Confidence in Evolutionary Mine Scheduling via Uncertainty Discounting [10.609857097723266]
不確実性を考慮した最適スケジュール決定のための新しいアプローチを提案する。この経済的な枠組みにおける不確実性の扱いは、以前使用が困難だった変動モデルを実用的な洞察に還元する。我々はMaptekの鉱山計画ソフトウェアEvolutionを用いて実験を行った。
論文参考訳（メタデータ） (2023-05-29T08:43:09Z)
Optimization of a Hydrodynamic Computational Reservoir through Evolution [58.720142291102135]
我々は,スタートアップが開発中の流体力学系のモデルと,計算貯水池としてインターフェースする。我々は、進化探索アルゴリズムを用いて、読み出し時間と入力を波の振幅や周波数にどのようにマッピングするかを最適化した。この貯水池システムに進化的手法を適用することで、手作業パラメータを用いた実装と比較して、XNORタスクの分離性が大幅に向上した。
論文参考訳（メタデータ） (2023-04-20T19:15:02Z)
Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文参考訳（メタデータ） (2023-01-28T01:50:42Z)
A Learning-Based Optimal Uncertainty Quantification Method and Its Application to Ballistic Impact Problems [1.713291434132985]
本稿では、入力(または事前)測度が部分的に不完全であるシステムに対する最適(最大および無限)不確実性境界について述べる。本研究では,不確実性最適化問題に対する学習基盤の枠組みを実証する。本手法は,工学的実践における性能証明と安全性のためのマップ構築に有効であることを示す。
論文参考訳（メタデータ） (2022-12-28T14:30:53Z)
Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
統計的決定論の研究からシャノンエントロピーの一般化を考える。まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
論文参考訳（メタデータ） (2022-10-04T04:43:58Z)
Post-hoc loss-calibration for Bayesian neural networks [25.05373000435213]
本研究では, 近似的後続予測分布の補正手法を開発し, 高ユーティリティな意思決定を推奨する。従来の研究とは対照的に、我々のアプローチは近似推論アルゴリズムの選択に非依存である。
論文参考訳（メタデータ） (2021-06-13T13:53:27Z)
Real-Time Optimization Meets Bayesian Optimization and Derivative-Free Optimization: A Tale of Modifier Adaptation [0.0]
本稿では,不確実なプロセスのリアルタイム最適化において,プラントモデルミスマッチを克服するための修飾子適応方式について検討する。提案したスキームは物理モデルを組み込んでおり、探査中のリスクを最小限に抑えるために信頼領域のアイデアに依存している。取得関数の使用、プロセスノイズレベルを知る、または名目上のプロセスモデルを指定する利点を図示する。
論文参考訳（メタデータ） (2020-09-18T12:57:17Z)
Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文参考訳（メタデータ） (2020-06-18T19:11:54Z)
Bilevel Optimization for Differentially Private Optimization in Energy Systems [53.806512366696275]
本稿では,入力に敏感な制約付き最適化問題に対して,差分プライバシーを適用する方法について検討する。本稿は, 自然仮定の下では, 大規模非線形最適化問題に対して, 双レベルモデルを効率的に解けることを示す。
論文参考訳（メタデータ） (2020-01-26T20:15:28Z)

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。