論文の概要: Optimizing Coordinative Schedules for Tanker Terminals: An Intelligent
Large Spatial-Temporal Data-Driven Approach -- Part 1
- arxiv url: http://arxiv.org/abs/2204.03899v1
- Date: Fri, 8 Apr 2022 07:56:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-11 12:47:18.680656
- Title: Optimizing Coordinative Schedules for Tanker Terminals: An Intelligent
Large Spatial-Temporal Data-Driven Approach -- Part 1
- Title(参考訳): タンカーターミナルの協調スケジューリングの最適化:知的空間時間データ駆動アプローチ -その1-
- Authors: Deqing Zhai and Xiuju Fu and Xiao Feng Yin and Haiyan Xu and Wanbing
Zhang and Ning Li
- Abstract要約: 提案手法は,カーネルとして拡張粒子群最適化 (ePSO) と,グローバルな最適探索として拡張ファイアフライアルゴリズム (AFA) から構成される。
実験の結果,両手法がポート効率を効果的に向上させることができることがわかった。
- 参考スコア(独自算出の注目度): 4.181498820782148
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this study, a novel coordinative scheduling optimization approach is
proposed to enhance port efficiency by reducing average wait time and
turnaround time. The proposed approach consists of enhanced particle swarm
optimization (ePSO) as kernel and augmented firefly algorithm (AFA) as global
optimal search. Two paradigm methods of the proposed approach are investigated,
which are batch method and rolling horizon method. The experimental results
show that both paradigm methods of proposed approach can effectively enhance
port efficiency. The average wait time could be significantly reduced by 86.0%
- 95.5%, and the average turnaround time could eventually save 38.2% - 42.4%
with respect to historical benchmarks. Moreover, the paradigm method of rolling
horizon could reduce to 20 mins on running time over 3-month datasets, rather
than 4 hrs on batch method at corresponding maximum performance.
- Abstract(参考訳): 本研究では, 平均待ち時間とターンアラウンド時間を削減し, ポート効率を向上させるために, 新たなコーディネートスケジューリング最適化手法を提案する。
提案手法は,カーネルとしての強化粒子群最適化 (epso) とグローバル最適探索としての拡張fireflyアルゴリズム (afa) から構成される。
提案手法の2つのパラダイム法について検討し, バッチ法とローリングホライズン法について検討した。
実験の結果, 提案手法のパラダイム手法は, ポート効率を効果的に向上できることがわかった。
平均待ち時間は86.0%から95.5%に大幅に減少し、平均折り返し時間は最終的に過去のベンチマークから38.2%から42.4%節約できる。
さらに, 最大性能のバッチ法では4時間ではなく, 3ヶ月のデータセット上での走行時間を20分に短縮することができた。
関連論文リスト
- Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。
WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
論文 参考訳(メタデータ) (2024-10-28T04:47:39Z) - Accelerated Preference Optimization for Large Language Model Alignment [60.22606527763201]
Reinforcement Learning from Human Feedback (RLHF) は、大きな言語モデル(LLM)を人間の好みに合わせるための重要なツールとして登場した。
直接選好最適化(DPO)は、報酬関数を明示的に見積もることなく、ポリシー最適化問題としてRLHFを定式化する。
本稿では,既存の最適化アルゴリズムを統一したAPO(Accelerated Preference Optimization)フレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-08T18:51:01Z) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳(メタデータ) (2023-07-25T09:45:47Z) - Accelerating genetic optimization of nonlinear model predictive control by learning optimal search space size [0.40964539027092917]
遺伝的アルゴリズム(GA)は一般に非線形モデル予測制御の最適化問題を解決するために用いられる。
本稿では,NMPCの遺伝的最適化を最適探索空間サイズを学習することで高速化することを提案する。
提案手法はGAの計算時間を短縮し、収束率を改善して入力を制御し、安定かつ実現可能なソリューションを提供する。
論文 参考訳(メタデータ) (2023-05-14T08:10:49Z) - Improved Binary Forward Exploration: Learning Rate Scheduling Method for
Stochastic Optimization [3.541406632811038]
BFE(Binary Forward Exploration)と呼ばれる,学習速度の自動スケジューリングによる勾配に基づく新しい最適化手法が最近提案されている。
本稿では,提案手法の効率性とロバスト性を最適化するため,改良されたアルゴリズムについて検討する。
本手法の目的は,他者を倒すことではなく,勾配降下過程を最適化するための異なる視点を提供することである。
論文 参考訳(メタデータ) (2022-07-09T05:28:44Z) - Optimizing Coordinative Schedules for Tanker Terminals: An Intelligent
Large Spatial-Temporal Data-Driven Approach -- Part 2 [4.181498820782148]
ターンアラウンド時間を短縮し, ポート効率を向上させるために, 新たなコーディネートスケジューリング最適化手法を提案する。
実験結果から,提案手法は船舶の旋回時間短縮に有効で有望であることが示唆された。
論文 参考訳(メタデータ) (2022-04-08T09:30:23Z) - An Efficient Batch Constrained Bayesian Optimization Approach for Analog
Circuit Synthesis via Multi-objective Acquisition Ensemble [11.64233949999656]
MACE(Multi-objective Acquisition Function Ensemble)を用いた並列化可能なベイズ最適化アルゴリズムを提案する。
提案アルゴリズムは,バッチサイズが15のときの非制約最適化問題に対する微分進化(DE)と比較して,シミュレーション全体の時間を最大74倍削減することができる。
制約付き最適化問題に対して,提案アルゴリズムは,バッチサイズが15の場合に,重み付き改善に基づくベイズ最適化(WEIBO)アプローチと比較して最大15倍の高速化を実現することができる。
論文 参考訳(メタデータ) (2021-06-28T13:21:28Z) - Variance-Reduced Off-Policy Memory-Efficient Policy Search [61.23789485979057]
政治政策の最適化は強化学習において難しい問題である。
オフポリシーアルゴリズムはメモリ効率が高く、オフポリシーサンプルから学ぶことができる。
論文 参考訳(メタデータ) (2020-09-14T16:22:46Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T12:38:21Z) - IDEAL: Inexact DEcentralized Accelerated Augmented Lagrangian Method [64.15649345392822]
本稿では,局所関数が滑らかで凸な分散最適化環境下での原始的手法設計のためのフレームワークを提案する。
提案手法は,加速ラグランジアン法により誘導されるサブプロブレム列を概ね解いたものである。
加速度勾配降下と組み合わせることで,収束速度が最適で,最近導出された下界と一致した新しい原始アルゴリズムが得られる。
論文 参考訳(メタデータ) (2020-06-11T18:49:06Z) - A High-Performance Object Proposals based on Horizontal High Frequency
Signal [0.0]
クラスに依存しないオブジェクト提案アルゴリズム BIHL を提案する。
ウィンドウスコアとスーパーピクセルマージの利点を組み合わせることで、ローカライズ品質が向上するだけでなく、計算効率も向上する。
本手法は,種々の障害に対して高い再現性を実現する手法の中で,最も高い再現性を有する手法である。
論文 参考訳(メタデータ) (2020-03-13T05:41:17Z)
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。