論文の概要: Evolutionary Time-Use Optimization for Improving Children's Health
Outcomes
- arxiv url: http://arxiv.org/abs/2206.11505v1
- Date: Thu, 23 Jun 2022 07:06:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-26 12:53:40.958404
- Title: Evolutionary Time-Use Optimization for Improving Children's Health
Outcomes
- Title(参考訳): 子どもの健康改善のための進化的時間利用最適化
- Authors: Yue Xie, Aneta Neumann, Ty Stanford, Charlotte Lund Rasmussen,
Dorothea Dumuid, Frank Neumann
- Abstract要約: 時間利用を最適化することで、進化的アルゴリズムが健康と幸福を促進する方法を示す。
人口をベースとした子どもコホートのデータに基づいて、健康状態を説明するフィットネス機能を設計し、実行可能な時間計画の制約を導入する。
- 参考スコア(独自算出の注目度): 10.896081641564392
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: How someone allocates their time is important to their health and well-being.
In this paper, we show how evolutionary algorithms can be used to promote
health and well-being by optimizing time usage. Based on data from a large
population-based child cohort, we design fitness functions to explain health
outcomes and introduce constraints for viable time plans. We then investigate
the performance of evolutionary algorithms to optimize time use for four
individual health outcomes with hypothetical children with different day
structures. As the four health outcomes are competing for time allocations, we
study how to optimize multiple health outcomes simultaneously in the form of a
multi-objective optimization problem. We optimize one-week time-use plans using
evolutionary multi-objective algorithms and point out the trade-offs achievable
with respect to different health outcomes.
- Abstract(参考訳): 誰かがどのように時間を割くかは、健康と幸福のために重要です。
本稿では,時間利用の最適化による健康と幸福の促進に,進化的アルゴリズムがいかに役立つかを示す。
人口をベースとした子どもコホートのデータに基づいて、健康状態を説明するフィットネス機能を設計し、実行可能な時間計画の制約を導入する。
次に,異なる日構造を持つ仮説的子どもの4つの健康結果に対する時間的利用を最適化するための進化的アルゴリズムの性能について検討した。
4つの健康結果が時間割当を競う中、多目的最適化問題の形で複数の健康結果の同時最適化方法について検討する。
進化的多目的アルゴリズムを用いて1週間の時間利用計画を最適化し、異なる健康結果に関して達成可能なトレードオフを指摘する。
関連論文リスト
- Efficient Deformable Tissue Reconstruction via Orthogonal Neural Plane [58.871015937204255]
変形性組織を再建するための高速直交平面(Fast Orthogonal Plane)を導入する。
我々は外科手術を4Dボリュームとして概念化し、それらをニューラルネットワークからなる静的および動的フィールドに分解する。
この分解により4次元空間が増加し、メモリ使用量が減少し、最適化が高速化される。
論文 参考訳(メタデータ) (2023-12-23T13:27:50Z) - Dataset Optimization for Chronic Disease Prediction with Bio-Inspired
Feature Selection [0.32634122554913997]
本研究は慢性疾患領域における予測分析の進歩に寄与する。
この研究の潜在的影響は、早期介入、精密医療、そして患者の成果の改善にまで及んでいる。
論文 参考訳(メタデータ) (2023-12-17T18:18:34Z) - Adaptive Interventions with User-Defined Goals for Health Behavior
Change [21.62566336428951]
ゴールセット(Goal-setting)は、モバイルヘルス介入のための適応アルゴリズムでは使われていない健康コーチングの重要な要素である。
本稿では、パーソナライズされた報酬関数を最適化することにより、個人化された目標設定に重点を置くトンプソンサンプリングアルゴリズムの修正を提案する。
論文 参考訳(メタデータ) (2023-11-16T01:00:04Z) - Analyzing the Interaction Between Down-Sampling and Selection [52.77024349608834]
遺伝的プログラミングシステムは、選択のための候補解の品質を評価するために、しばしば大きなトレーニングセットを使用する。
ダウンサンプリングトレーニングセットは、幅広いアプリケーション領域における評価の計算コストを低減するために、長い間使われてきた。
論文 参考訳(メタデータ) (2023-04-14T12:21:19Z) - A Reinforcement Learning-assisted Genetic Programming Algorithm for Team
Formation Problem Considering Person-Job Matching [70.28786574064694]
解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。
効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
論文 参考訳(メタデータ) (2023-04-08T14:32:12Z) - Massively Parallel Genetic Optimization through Asynchronous Propagation
of Populations [50.591267188664666]
Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。
提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。
Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
論文 参考訳(メタデータ) (2023-01-20T18:17:34Z) - Socio-cognitive Optimization of Time-delay Control Problems using
Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。
本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文 参考訳(メタデータ) (2022-10-23T22:21:10Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳(メタデータ) (2022-01-31T13:01:37Z) - Fast Physical Activity Suggestions: Efficient Hyperparameter Learning in
Mobile Health [1.9788007735185449]
我々は,mhealth設定で身体活動を提案するアルゴリズムを提案する。
我々は、それぞれ99%と56%の速度と精度の両方で、最先端のアプローチよりも改善を示しています。
論文 参考訳(メタデータ) (2020-12-21T19:17:31Z) - Time Efficiency in Optimization with a Bayesian-Evolutionary Algorithm [13.66850118870667]
すべての生成とテストの検索アルゴリズムが等しく作られているわけではないことを示す。
本稿では,ベイズ最適化と進化的アルゴリズムを組み合わせた新しいアルゴリズムBEAを提案する。
その結果、BEA は BO と EA の両方を時間効率で上回り、最終的には多くの局所最適値を持つよく知られたベンチマーク対象関数の性能が向上することがわかった。
論文 参考訳(メタデータ) (2020-05-04T15:29:22Z)
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。