論文の概要: Large region targets observation scheduling by multiple satellites using
resampling particle swarm optimization
- arxiv url: http://arxiv.org/abs/2206.10178v1
- Date: Tue, 21 Jun 2022 08:18:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 03:35:17.757520
- Title: Large region targets observation scheduling by multiple satellites using
resampling particle swarm optimization
- Title(参考訳): 再サンプリング粒子群最適化を用いた複数の衛星による観測スケジューリング
- Authors: Yi Gu, Chao Han, Yuhan Chen, Shenggang Liu, Xinwei Wang
- Abstract要約: 過去数十年間、地球観測衛星(EOS)の急速な増加を目撃してきた。
本稿では,大域目標に対するEOSの監視スケジューリング問題に対処することを目的とする。
- 参考スコア(独自算出の注目度): 0.3324876873771104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The last decades have witnessed a rapid increase of Earth observation
satellites (EOSs), leading to the increasing complexity of EOSs scheduling. On
account of the widespread applications of large region observation, this paper
aims to address the EOSs observation scheduling problem for large region
targets. A rapid coverage calculation method employing a projection reference
plane and a polygon clipping technique is first developed. We then formulate a
nonlinear integer programming model for the scheduling problem, where the
objective function is calculated based on the developed coverage calculation
method. A greedy initialization-based resampling particle swarm optimization
(GI-RPSO) algorithm is proposed to solve the model. The adopted greedy
initialization strategy and particle resampling method contribute to generating
efficient and effective solutions during the evolution process. In the end,
extensive experiments are conducted to illustrate the effectiveness and
reliability of the proposed method. Compared to the traditional particle swarm
optimization and the widely used greedy algorithm, the proposed GI-RPSO can
improve the scheduling result by 5.42% and 15.86%, respectively.
- Abstract(参考訳): 過去数十年間、地球観測衛星(EOSs)が急速に増加し、EOSsスケジューリングの複雑さが増した。
本稿では,大域観測の広範な適用を考慮し,大域目標に対するEOS観測スケジューリング問題に対処することを目的とする。
まず, 投影基準面とポリゴンクリップ技術を用いた高速カバレッジ計算法を開発した。
次に,提案手法に基づいて目的関数を計算したスケジューリング問題に対する非線形整数計画モデルを定式化する。
モデルを解くために, greedy initialization-based resampling particle swarm optimization (gi-rpso) アルゴリズムを提案する。
グリーディ初期化戦略と粒子再サンプリング法は, 進化過程における効率的かつ効果的な解の生成に寄与する。
最後に,提案手法の有効性と信頼性について広範な実験を行った。
従来の粒子群最適化と広く使われているグリードアルゴリズムと比較して、提案したGI-RPSOはスケジューリング結果をそれぞれ5.42%と15.86%改善することができる。
関連論文リスト
- A Schedule of Duties in the Cloud Space Using a Modified Salp Swarm
Algorithm [0.0]
クラウド領域で最も重要なNPハード問題のひとつはスケジューリングです。
Salp Swarm Algorithm (SSA)と呼ばれる集団知能アルゴリズムの1つが拡張され、改良され、適用された。
その結果,本アルゴリズムは一般に他のアルゴリズムよりも高い性能を示した。
論文 参考訳(メタデータ) (2023-09-18T02:48:41Z) - Provably Efficient UCB-type Algorithms For Learning Predictive State
Representations [55.00359893021461]
逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である
本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。
PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
論文 参考訳(メタデータ) (2023-07-01T18:35:21Z) - PAO: A general particle swarm algorithm with exact dynamics and
closed-form transition densities [0.0]
粒子群最適化(PSO)アプローチは多くの応用分野において非常に効果的であることが証明されている。
本研究では, PSOアルゴリズムの高一般性, 解釈可能な変種であるパーティクル・アトラクター・アルゴリズム (PAO) を提案する。
論文 参考訳(メタデータ) (2023-04-28T16:19:27Z) - Using Particle Swarm Optimization as Pathfinding Strategy in a Space
with Obstacles [4.899469599577755]
Particle Swarm Optimization (PSO) は集団適応最適化に基づく探索アルゴリズムである。
本稿では,幅広いアプリケーションを対象としたパスプランニングの効率化を図るため,パスフィニング戦略を提案する。
論文 参考訳(メタデータ) (2021-12-16T12:16:02Z) - Distributed stochastic optimization with large delays [59.95552973784946]
大規模最適化問題を解決する最も広く使われている手法の1つは、分散非同期勾配勾配(DASGD)である。
DASGDは同じ遅延仮定の下で大域的最適実装モデルに収束することを示す。
論文 参考訳(メタデータ) (2021-07-06T21:59:49Z) - Directed particle swarm optimization with Gaussian-process-based
function forecasting [15.733136147164032]
パーティクルスワム最適化 (PSO) は、探索空間を囲む一組の候補解を、ランダム化されたステップ長を持つ最もよく知られたグローバルおよびローカルな解へ移動させる反復探索法である。
本アルゴリズムは探索的・搾取的行動に対して望ましい特性が得られることを示す。
論文 参考訳(メタデータ) (2021-02-08T13:02:57Z) - Motion-Encoded Particle Swarm Optimization for Moving Target Search
Using UAVs [4.061135251278187]
本稿では,無人航空機(UAV)を用いた移動目標探索のための動き符号化粒子群最適化(MPSO)という新しいアルゴリズムを提案する。
提案するMPSOは,PSOアルゴリズムで粒子生成に進化する一連のUAV運動経路として探索軌道を符号化することにより,その問題を解決するために開発された。
既存手法による広範囲なシミュレーションの結果,提案手法は検出性能を24%,時間性能を4.71倍改善した。
論文 参考訳(メタデータ) (2020-10-05T14:17:49Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - 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) - Large Batch Training Does Not Need Warmup [111.07680619360528]
大きなバッチサイズを使用してディープニューラルネットワークをトレーニングすることは、有望な結果を示し、多くの現実世界のアプリケーションに利益をもたらしている。
本稿では,大規模バッチ学習のための全層適応レートスケーリング(CLARS)アルゴリズムを提案する。
分析に基づいて,このギャップを埋め,3つの一般的な大規模バッチトレーニング手法の理論的洞察を提示する。
論文 参考訳(メタデータ) (2020-02-04T23:03:12Z)
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。