論文の概要: Energy-Sensitive Trajectory Design and Restoration Areas Allocation for
UAV-Enabled Grassland Restoration
- arxiv url: http://arxiv.org/abs/2204.04666v2
- Date: Fri, 22 Jul 2022 08:26:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 16:31:42.832127
- Title: Energy-Sensitive Trajectory Design and Restoration Areas Allocation for
UAV-Enabled Grassland Restoration
- Title(参考訳): UAV対応草地修復のためのエネルギー敏感な軌道設計と復旧地域
- Authors: Dongbin Jiao, Lingyu Wang, Peng Yang, Weibo Yang, Yu Peng, Zhanhuan
Shang, Fengyuan Ren
- Abstract要約: 本稿では, 修復計画中のUAVと草地の制約を明示的に考慮し, この新興技術の進展を推し進める。
そこで本研究では, 相互依存を利用した協調最適化アルゴリズムCHAPBILMを提案する。
- 参考スコア(独自算出の注目度): 11.62982010871572
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Grassland restoration is a critical means to safeguard grassland ecological
degradation. To alleviate the extensive human labors and boost the restoration
efficiency, UAV is promising for its fully automatic capability yet still waits
to be exploited. This paper progresses this emerging technology by explicitly
considering the realistic constraints of the UAV and the grassland degradation
while planning the grassland restoration. To this end, the UAV-enabled
restoration process is first mathematically modeled as the maximization of
restoration areas of the UAV under the limited battery energy of UAV, the grass
seeds weight, the number of restored areas, and the corresponding sizes. Then
we analyze that, by considering these constraints, this original problem
emerges two conflict objectives, namely the shortest flight path and the
optimal areas allocation. As a result, the maximization of restoration areas
turns out to be a composite of a trajectory design problem and an areas
allocation problem that are highly coupled. From the perspective of
optimization, this requires solving two NP-hard problems of both the traveling
salesman problem (TSP) and the multidimensional knapsack problem (MKP) at the
same time. To tackle this complex problem, we propose a cooperative
optimization algorithm, called CHAPBILM, to solve those two problems
interlacedly by utilizing the interdependencies between them. Multiple
simulations verify the conflicts between the trajectory design and areas
allocation. The effectiveness of the cooperative optimization algorithm is also
supported by the comparisons with traditional optimization methods which do not
utilize the interdependencies between the two problems. As a result, the
proposed algorithm successfully solves the multiple simulation instances in a
near-optimal way.
- Abstract(参考訳): 草地修復は、草地生態系の劣化を保護する重要な手段である。
大規模な人的労働を緩和し、修復の効率を高めるため、UAVは完全自動能力を約束するが、まだ活用されるのを待つ。
本稿では,草地修復を計画しながら,UAVの現実的な制約と草地劣化を明示的に考慮し,この新興技術を発展させる。
この目的のために、UAV対応回復プロセスは、UAVの限られたバッテリーエネルギー、草の種重、復元された領域の数、およびそれに対応するサイズのUAVの回復領域の最大化として、まず数学的にモデル化される。
次に,これらの制約を考慮すれば,本問題は,最短飛行経路と最適エリア割り当てという2つの競合目標を生じさせる。
その結果、復元領域の最大化は軌道設計問題と高度に結合された領域割当問題との合成であることが判明した。
最適化の観点からは、旅行セールスマン問題(tsp)と多次元ナップサック問題(mkp)の2つのnp問題を同時に解決する必要がある。
この複雑な問題に対処するために,これらの2つの問題を相互依存を利用して解くための協調最適化アルゴリズムCHAPBILMを提案する。
複数のシミュレーションが軌道設計と領域割り当ての衝突を検証している。
協調最適化アルゴリズムの有効性は,2つの問題間の相互依存性を活用しない従来の最適化手法との比較によっても支持されている。
その結果,提案アルゴリズムは複数のシミュレーションインスタンスをほぼ最適に解くことができた。
関連論文リスト
- Learning Constrained Optimization with Deep Augmented Lagrangian Methods [60.94111369773497]
機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。
本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。
これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
論文 参考訳(メタデータ) (2024-03-06T04:43:22Z) - Weighted strategies to guide a multi-objective evolutionary algorithm
for multi-UAV mission planning [12.97430155510359]
この研究は、新しい個体の生成と突然変異のための重み付きランダム・ジェネレータを提案する。
この研究の主な目的は、マルチUAVミッション計画のためのMOEAソルバの収束率を下げることである。
論文 参考訳(メタデータ) (2024-02-28T23:05:27Z) - Joint User Association, Interference Cancellation and Power Control for
Multi-IRS Assisted UAV Communications [80.35959154762381]
インテリジェント反射面(IRS)支援無人航空機(UAV)通信は、地上基地局の負荷を低コストで軽減することが期待されている。
既存の研究は主に、複数のIRSではなく単一のIRSの配置とリソース割り当てに焦点を当てている。
我々は,共同IRSユーザアソシエーションのための新しい最適化アルゴリズム,UAVの軌道最適化,逐次干渉キャンセル(SIC)復号命令スケジューリング,電力割り当てを提案する。
論文 参考訳(メタデータ) (2023-12-08T01:57:10Z) - A Computational Framework for Solving Wasserstein Lagrangian Flows [51.32751290160936]
本稿では,これらすべての問題に統一的な視点からアプローチする,新しいディープラーニングベースのフレームワークを提案する。
本手法では, 学習力学の軌跡をシミュレーション・バックプロパゲートする必要はない。
提案手法は, 単セル軌道推定における従来の手法より優れていることを示す。
論文 参考訳(メタデータ) (2023-10-16T17:59:54Z) - A Hybrid Framework of Reinforcement Learning and Convex Optimization for
UAV-Based Autonomous Metaverse Data Collection [16.731929552692524]
本稿では,UAVが基地局(BS)のカバー範囲を広げて道路側ユニット(RSU)で生成したメタバースデータを収集する,UAV支援型メタバースネットワークについて考察する。
データ収集効率を改善するため、リソース割り当てとトラジェクトリ制御をシステムモデルに統合する。
提案するUAV支援Metaverseネットワークシステムモデルに基づいて,時間系列最適化問題を協調的に解くために,強化学習と凸最適化を備えたハイブリッドフレームワークを設計する。
論文 参考訳(メタデータ) (2023-05-29T11:49:20Z) - Safety-enhanced UAV Path Planning with Spherical Vector-based Particle
Swarm Optimization [5.076419064097734]
本稿では,無人航空機(UAV)の経路計画問題に対処するため,球面ベクトルベース粒子群最適化 (SPSO) という新しいアルゴリズムを提案する。
コスト関数が最初に定式化され、経路計画がUAVの実用的で安全な運用に必要な要件と制約を組み込んだ最適化問題に変換される。
SPSOは、UAVの構成空間を効率的に探索することでコスト関数を最小化する最適経路を見つけるために使用される。
論文 参考訳(メタデータ) (2021-04-13T06:45:11Z) - Solving Inverse Problems by Joint Posterior Maximization with
Autoencoding Prior [0.0]
JPal Autoencoder (VAE) が先行する画像における不適切な逆問題解決の問題に対処する。
本手法は,提案した目的関数を満たすのに十分であることを示す。
結果は、より堅牢な見積もりを提供するアプローチの堅牢性も示しています。
論文 参考訳(メタデータ) (2021-03-02T11:18:34Z) - Deep Reinforcement Learning for Field Development Optimization [0.0]
本研究の目的は,畳み込みニューラルネットワーク(CNN)深部強化学習(DRL)アルゴリズムをフィールド開発最適化問題に適用することである。
近似ポリシー最適化 (PPO) アルゴリズムは2つのCNNアーキテクチャで様々な層と構成を持つ。
両ネットワークは、ハイブリッド粒子群最適化(PSO-MADS)アルゴリズムと比較して満足な結果をもたらすポリシーを得た。
論文 参考訳(メタデータ) (2020-08-05T06:26:13Z) - 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) - MineReduce: an approach based on data mining for problem size reduction [58.720142291102135]
本稿では,マイニングパターンを用いて問題サイズの削減を行うMineReduceという手法を提案する。
異種車両ルーティング問題に対するMineReduceの適用について述べる。
論文 参考訳(メタデータ) (2020-05-15T08:49:50Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳(メタデータ) (2020-02-21T07:29:15Z)
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。