Fugu-MT 論文翻訳(概要): On the Fitness Landscapes of Interdependency Models in the Travelling Thief Problem

論文の概要: On the Fitness Landscapes of Interdependency Models in the Travelling Thief Problem

arxiv url: http://arxiv.org/abs/2203.04363v1
Date: Mon, 28 Feb 2022 13:26:42 GMT
ステータス: 処理完了
システム内更新日: 2022-03-13 15:19:36.702844
Title: On the Fitness Landscapes of Interdependency Models in the Travelling Thief Problem
Title（参考訳）: 旅行泥棒問題における相互依存モデルの適合性について
Authors: Mohamed El Yafrani, Marcella Scoczynski, Myriam Delgado, Ricardo L\"uders, Peter Nielsen, Markus Wagner
Abstract要約: トラベリング・ティーフ問題(TTP)は、複数の相互接続されたサブプロブレムの問題の一例として広く研究されている。我々のゴールは、単純な局所探索アルゴリズムを用いて、TTPにおける様々な形式の依存の影響を研究することである。
参考スコア（独自算出の注目度）: 1.911899871025766
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Since its inception in 2013, the Travelling Thief Problem (TTP) has been widely studied as an example of problems with multiple interconnected sub-problems. The dependency in this model arises when tying the travelling time of the "thief" to the weight of the knapsack. However, other forms of dependency as well as combinations of dependencies should be considered for investigation, as they are often found in complex real-world problems. Our goal is to study the impact of different forms of dependency in the TTP using a simple local search algorithm. To achieve this, we use Local Optima Networks, a technique for analysing the fitness landscape.
Abstract（参考訳）: 2013年の創業以来、トラベリング・ティーフ問題(TTP)は複数の相互接続サブプロブレムの問題の一例として広く研究されてきた。このモデルの依存性は、"thief"の走行時間をクナップサックの重さに結びつけるときに生じる。しかし、複雑な実世界の問題でしばしば見られるため、他の形式の依存関係と依存関係の組み合わせは調査のために考慮されるべきである。我々のゴールは、単純な局所探索アルゴリズムを用いて、TTPにおける様々な形式の依存の影響を研究することである。これを実現するために、フィットネスランドスケープを分析する技術であるLocal Optima Networksを使用する。

関連論文リスト

UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文参考訳（メタデータ） (2024-05-01T09:34:42Z)
Towards the Inferrence of Structural Similarity of Combinatorial Landscapes [5.1059158939850064]
最も一般的な問題の1つは類推である。与えられた問題に対して、解決者はフィットネスのランドスケープの戦略的歩みと見なすことができる。本研究では、フィットネスランドスケープのプロキシとしてローカルオプティマネットワークを用いて、グラフデータマイニング技術を活用して、それらのランドスケープに埋め込まれた潜伏構造情報を探索する。
論文参考訳（メタデータ） (2023-12-05T12:34:51Z)
Seeing is not Believing: Robust Reinforcement Learning against Spurious Correlation [57.351098530477124]
国家の異なる部分には、保存されていない共同設立者が引き起こす相関関係が存在しない。このような役に立たないあるいは有害な相関を学習するモデルは、テストケースの共同創設者がトレーニングケースから逸脱したときに破滅的に失敗する可能性がある。したがって、単純かつ非構造的な不確実性集合を仮定する既存の頑健なアルゴリズムは、この問題に対処するには不十分である。
論文参考訳（メタデータ） (2023-07-15T23:53:37Z)
Solving the Traveling Salesperson Problem with Precedence Constraints by Deep Reinforcement Learning [59.14935871979047]
本研究は, 深層強化学習(DRL)を用いた優先制約付きトラベリングセールスパーソン問題(TSPPC)の解を提案する。これらのアプローチに共通しているのは、マルチヘッドアテンション層に基づくグラフモデルの利用である。
論文参考訳（メタデータ） (2022-07-04T14:31:47Z)
On the Use of Quality Diversity Algorithms for The Traveling Thief Problem [11.590506672325668]
現実世界の最適化では、いくつかのサブプロブレムが相互作用し、主要な問題を形成するのが一般的である。本稿では,旅行セールスパーソン問題(TSP)とクナップサック問題(KP)の相互依存性を品質多様性(QD)アプローチを用いて検討する。
論文参考訳（メタデータ） (2021-12-16T05:08:39Z)
Multi-Agent Path Planning Using Deep Reinforcement Learning [0.0]
本稿では, 深部強化型マルチエージェントパス計画手法を提案する。この実験はシミュレーション環境で実現され、この環境では異なるマルチエージェントパス計画問題が発生する。生成した問題は実際に車両経路問題と類似しており、多エージェント深部強化学習を用いて解かれる。
論文参考訳（メタデータ） (2021-10-04T13:56:23Z)
Q-Mixing Network for Multi-Agent Pathfinding in Partially Observable Grid Environments [62.997667081978825]
部分的に観測可能なグリッド環境におけるマルチエージェントナビゲーションの問題点を考察する。エージェントがまず、観察を行動にマッピングする方針を学習し、その目的を達成するためにこれらの方針に従うとき、強化学習アプローチを活用することを提案する。
論文参考訳（メタデータ） (2021-08-13T09:44:47Z)
Learning with Instance Bundles for Reading Comprehension [61.823444215188296]
質問応答スコアを複数の関連インスタンスで比較する新しい監視手法を提案する。具体的には、密接に対照的な質問や回答のさまざまな近所でこれらのスコアを正規化します。 2つのデータセット上のインスタンスバンドルによるトレーニングの有効性を実証的に実証する。
論文参考訳（メタデータ） (2021-04-18T06:17:54Z)
Solving the Travelling Thief Problem based on Item Selection Weight and Reverse Order Allocation [8.620967398331265]
旅行泥棒問題(TTP)は多くの学者を引き付ける挑戦的な最適化問題です。本論文では,TTPを理論的および実証的に検討する。提案した選択項目と逆順序のソート項目の定式化によって算出されたスコア値に基づくアルゴリズムを提案し,この問題を解く。
論文参考訳（メタデータ） (2020-12-16T12:06:05Z)
A Reinforcement Learning Approach to the Orienteering Problem with Time Windows [0.0]
Orienteering Problem with Time Windows (OPTW) は、異なる訪問場所から収集した総得点を最大化する最適化問題である。本研究では,強化学習を用いて学習したポインタネットワークモデルを用いて,OPTW問題の解法を提案する。
論文参考訳（メタデータ） (2020-11-07T00:38:06Z)
Total Deep Variation for Linear Inverse Problems [71.90933869570914]
本稿では,近年のアーキテクチャ設計パターンを深層学習から活用する,学習可能な汎用正規化手法を提案する。本稿では,古典的画像復元と医用画像再構成問題に対する最先端の性能について述べる。
論文参考訳（メタデータ） (2020-01-14T19:01:50Z)

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。