論文の概要: Complementing the Linear-Programming Learning Experience with the Design
and Use of Computerized Games: The Formula 1 Championship Game
- arxiv url: http://arxiv.org/abs/2109.10698v1
- Date: Sun, 19 Sep 2021 03:48:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-24 01:10:12.142881
- Title: Complementing the Linear-Programming Learning Experience with the Design
and Use of Computerized Games: The Formula 1 Championship Game
- Title（参考訳）: コンピュータゲームの設計と使用による線形プログラミング学習体験の補完:F1チャンピオンシップゲーム
- Authors: Gerardo L. Febres
- Abstract要約: この文書は、競争の激しい状況の中で優位性を達成するために複雑な状況をモデル化することに焦点を当てている。
数学モデリングプロセスと最適化問題定式化を実行するコンピュータゲームを導入する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This document focuses on modeling a complex situations to achieve an
advantage within a competitive context. Our goal is to devise the
characteristics of games to teach and exercise non-easily quantifiable tasks
crucial to the math-modeling process. A computerized game to exercise the
math-modeling process and optimization problem formulation is introduced. The
game is named The Formula 1 Championship, and models of the game were developed
in the computerized simulation platform MoNet. It resembles some situations in
which team managers must make crucial decisions to enhance their racing cars up
to the feasible, most advantageous conditions. This paper describes the game's
rules, limitations, and five Formula 1 circuit simulators used for the
championship development. We present several formulations of this situation in
the form of optimization problems. Administering the budget to reach the best
car adjustment to a set of circuits to win the respective races can be an
approach. Focusing on the best distribution of each Grand Prix's budget and
then deciding how to use the assigned money to improve the car is also the
right approach. In general, there may be a degree of conflict among these
approaches because they are different aspects of the same multi-scale
optimization problem. Therefore, we evaluate the impact of assigning the
highest priority to an element, or another, when formulating the optimization
problem. Studying the effectiveness of solving such optimization problems turns
out to be an exciting way of evaluating the advantages of focusing on one scale
or another. Another thread of this research directs to the meaning of the game
in the teaching-learning process. We believe applying the Formula 1 Game is an
effective way to discover opportunities in a complex-system situation and
formulate them to finally extract and concrete the related benefit to the
context described.
- Abstract（参考訳）: この文書は競争的文脈の中で利点を達成するための複雑な状況のモデリングに焦点を当てています。
私たちのゴールは、数学モデリングプロセスに不可欠な非容易な定量化タスクを教え、実行するゲームの特徴を考案することです。
数学モデリングプロセスと最適化問題定式化を実行するコンピュータゲームを導入する。
ゲームは「フォーミュラ1選手権」と名付けられ、コンピュータシミュレーションプラットフォーム「MoNet」でゲームモデルが開発された。
チームマネージャが自分たちのレーシングカーを、実現可能で最も有利な状況まで拡張する決定を下さなければならない状況に似ています。
本稿では,本ゲームにおけるルール,制限,F1回路シミュレータの5つについて述べる。
最適化問題という形で,この状況を定式化している。
それぞれのレースに勝つための一連の回路に最適な車両調整を達成するための予算を割り当てることは、アプローチである。
各グランプリの予算の最適配分に注目して、割り当てられた資金を使って車を改善する方法も正しいアプローチである。
一般に、これらのアプローチには、同じマルチスケール最適化問題の異なる側面があるため、矛盾の程度があるかもしれない。
したがって、最適化問題を定式化する際に、最優先事項を要素または他の要素に割り当てることの影響を評価する。
このような最適化問題の解決の有効性を研究することは、あるスケールにフォーカスすることの利点を評価するエキサイティングな方法であることが判明した。
この研究の別のスレッドは、学習過程におけるゲームの意味を示唆している。
フォーミュラ1ゲームの適用は、複雑なシステム状況における機会を発見し、それらを公式化し、最終的に記述されたコンテキストに関連する利点を抽出し、具体化する効果的な方法であると考えている。
関連論文リスト
- RaceLens: A Machine Intelligence-Based Application for Racing Photo
Analysis [0.2443208492624608]
RaceLensは、高度なディープラーニングとコンピュータビジョンモデルを利用して、レース写真の包括的な分析を行う新しいアプリケーションである。
モデルトレーニングに必要な堅牢なデータセット収集のプロセスについて議論し、このデータセットを継続的に拡張および改善するために設計したアプローチについて述べる。
本研究は,NASCARチームによる4シーズンにわたる展開の成功に焦点を当て,RaceLensの実践的応用の図示に重点を置いている。
論文 参考訳（メタデータ） (2023-10-20T13:58:31Z) - Efficient Ground Vehicle Path Following in Game AI [77.34726150561087]
本稿では,ゲームAIに適した地上車両の効率的な追従経路を提案する。
提案したパスフォロワは,一対一シューティングゲームにおいて,様々なテストシナリオを通じて評価される。
その結果,既存の経路と比較すると,立ち往生するイベントの総数が70%減少した。
論文 参考訳（メタデータ） (2023-07-07T04:20:07Z) - Mastering Nordschleife -- A comprehensive race simulation for AI
strategy decision-making in motorsports [0.0]
本稿では,GTレースに適した新しいシミュレーションモデルを開発する。
シミュレーションをOpenAIのGymフレームワークに統合することにより、強化学習環境を作成し、エージェントを訓練する。
本論文は,レースシミュレーションにおける強化学習の広範な適用に寄与し,FIAフォーミュラ1を超えるレース戦略最適化の可能性の解放に寄与する。
論文 参考訳（メタデータ） (2023-06-28T10:39:31Z) - A Novel Approach for Auto-Formulation of Optimization Problems [66.94228200699997]
Natural Language for Optimization (NL4Opt) NeurIPS 2022コンペティションでは、最適化ソルバのアクセシビリティとユーザビリティの改善に重点を置いている。
本稿では,チームのソリューションについて述べる。
提案手法は,サブタスク1のF1スコアとサブタスク2の0.867の精度を達成し,それぞれ第4位,第3位を獲得した。
論文 参考訳（メタデータ） (2023-02-09T13:57:06Z) - 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) - The Machine Learning for Combinatorial Optimization Competition (ML4CO):
Results and Insights [59.93939636422896]
ML4COは、キーコンポーネントを置き換えることで最先端の最適化問題を解決することを目的としている。
このコンペティションでは、最高の実現可能なソリューションを見つけること、最も厳密な最適性証明書を生成すること、適切なルーティング設定を提供すること、という3つの課題があった。
論文 参考訳（メタデータ） (2022-03-04T17:06:00Z) - ML4CO: Is GCNN All You Need? Graph Convolutional Neural Networks Produce
Strong Baselines For Combinatorial Optimization Problems, If Tuned and
Trained Properly, on Appropriate Data [8.09193285529236]
本稿では,2021年のNeurIPS Machine Learning for Combinatorial Optimization (ML4CO)コンペでHuawei EI-OROASチームが学んだソリューションと教訓を要約する。
チームの応募は最終ランキングで2位となり、第1位に近かった。
簡単なグラフ畳み込みニューラルネットワーク(GCNN)は、トレーニングやチューニングを適切に行うと、最先端の結果が得られると論じる。
論文 参考訳（メタデータ） (2021-12-22T22:40:13Z) - Adversaries in Online Learning Revisited: with applications in Robust
Optimization and Adversarial training [55.30970087795483]
オンライン学習における「敵対的」の概念を再考し、堅牢な最適化と敵対的なトレーニング問題を解決することに動機づけられます。
我々は,想像遊びを用いた多種多様な問題クラスに対する一般的なアプローチを確立する。
論文 参考訳（メタデータ） (2021-01-27T14:23:06Z) - Analog Circuit Design with Dyna-Style Reinforcement Learning [12.232323973906773]
本稿では,アナログ回路設計における学習に基づくアプローチを提案する。
まず、ニューラルネットワークによって近似された性能の代理モデル(英語版)を学習し、必要なシミュレーション数の削減を図る。
第2に、制約を満たす多様なソリューション空間を探索するためにポリシージェネレータを使用し、その結果、ポリシーをトレーニングするために20,000の回路シミュレーションで適用されたモデルフリー手法と比較して、DynaOptは、わずか500のシミュレーションでスクラッチから学習することで、さらに優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2020-11-16T00:19:25Z) - Towards a Systematic Computational Framework for Modeling Multi-Agent
Decision-Making at Micro Level for Smart Vehicles in a Smart World [8.899670429041453]
スマートカーのマイクロレベルにおける意思決定と戦略的相互作用をモデル化するためのマルチエージェントベースの計算フレームワークを提案する。
本研究の目的は,自律走行車のためのマイクロパス計画など,様々な現実的なアプリケーションに対して,概念的に健全かつ実用的なフレームワークを提供することである。
論文 参考訳（メタデータ） (2020-09-25T13:05:28Z) - Faster Algorithms for Optimal Ex-Ante Coordinated Collusive Strategies
in Extensive-Form Zero-Sum Games [123.76716667704625]
我々は,不完全情報ゼロサム拡張形式ゲームにおいて,対戦相手と対決する2人の選手のチームにとって最適な戦略を見つけることの課題に焦点をあてる。
この設定では、チームができる最善のことは、ゲーム開始時の関節(つまり相関した)確率分布から潜在的にランダム化された戦略(プレイヤー1人)のプロファイルをサンプリングすることである。
各プロファイルにランダム化されるのはチームメンバーの1人だけであるプロファイルのみを用いることで、そのような最適な分布を計算するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-09-21T17:51:57Z)
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。