論文の概要: Computing High-Quality Solutions for the Patient Admission Scheduling
Problem using Evolutionary Diversity Optimisation
- arxiv url: http://arxiv.org/abs/2207.14112v1
- Date: Thu, 28 Jul 2022 14:26:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-29 12:10:00.385293
- Title: Computing High-Quality Solutions for the Patient Admission Scheduling
Problem using Evolutionary Diversity Optimisation
- Title（参考訳）: 進化的多様性最適化を用いた患者適応スケジューリング問題の高精度解法
- Authors: Adel Nikfarjam, Amirhossein Moosavi, Aneta Neumann, and Frank Neumann
- Abstract要約: 我々は、現実世界の問題、すなわち患者受け入れスケジューリングに対する進化的多様性の最適化に適応する。
本稿では,各解の品質を考慮に入れた一組の解において,構造的多様性を実現するための進化的アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 10.609857097723266
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diversification in a set of solutions has become a hot research topic in the
evolutionary computation community. It has been proven beneficial for
optimisation problems in several ways, such as computing a diverse set of
high-quality solutions and obtaining robustness against imperfect modeling. For
the first time in the literature, we adapt the evolutionary diversity
optimisation for a real-world combinatorial problem, namely patient admission
scheduling. We introduce an evolutionary algorithm to achieve structural
diversity in a set of solutions subjected to the quality of each solution. We
also introduce a mutation operator biased towards diversity maximisation.
Finally, we demonstrate the importance of diversity for the aforementioned
problem through a simulation.
- Abstract（参考訳）: 一連のソリューションの多様化は、進化計算コミュニティにおいてホットな研究トピックとなっている。
様々な高品質なソリューションセットの計算や不完全なモデリングに対する堅牢さの獲得など、最適化問題にいくつかの点で有益であることが証明されている。
文献の中ではじめて、実世界の組合せ問題、すなわち患者受け入れスケジューリングに進化の多様性の最適化を適用する。
我々は,各解の質を考慮した一連の解において,構造的多様性を達成するための進化的アルゴリズムを提案する。
また,多様性の最大化に偏った突然変異演算子を導入する。
最後に,上記の問題に対する多様性の重要性をシミュレーションにより示す。
関連論文リスト
- Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-09-07T19:52:14Z) - Evolutionary Multi-Objective Diversity Optimization [14.930208990741129]
我々はこの問題を、品質と多様性のトレードオフの幅を求める、双方向最適化問題として扱う。
本稿では,既存の進化的多目的探索手法と互換性のある汎用的な実装手法を提案する。
結果、非支配的な人口は豊かな質的な特徴を示し、最適化事例とそれらが引き起こす品質と多様性のトレードオフについて洞察を与える。
論文 参考訳（メタデータ） (2024-01-15T03:59:42Z) - 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) - Coevolutionary Pareto Diversity Optimization [13.026567958569965]
共進化的Pareto Diversity Optimizationアプローチを導入する。
特に,集団間クロスオーバーの利用により,解の集合の多様性がさらに向上することを示す。
論文 参考訳（メタデータ） (2022-04-12T00:52:13Z) - Evolutionary Diversity Optimisation for The Traveling Thief Problem [11.590506672325668]
解の集合の構造的多様性を最大化する二段階の進化的アルゴリズムを導入する。
多様性を得る最良の方法を実証的に決定する。
実験の結果,ほとんどのTTPベンチマークインスタンスにおける構造的多様性の観点から,QDアプローチの大幅な改善が示された。
論文 参考訳（メタデータ） (2022-04-06T10:13:55Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - An Analysis of Phenotypic Diversity in Multi-Solution Optimization [118.97353274202749]
マルチモーダル最適化は高い適合性ソリューションを生み出し、品質の多様性は遺伝的中立性に敏感ではない。
オートエンコーダは表現型特徴を自動的に発見するために使用され、品質の多様性を備えたさらに多様なソリューションセットを生成する。
論文 参考訳（メタデータ） (2021-05-10T10:39:03Z) - Entropy-Based Evolutionary Diversity Optimisation for the Traveling
Salesperson Problem [11.590506672325668]
我々は,高次エントロピー尺度(High-order entropy measure)と呼ばれる集団多様性尺度を進化的アルゴリズムに応用し,トラベリングセールスパーソン問題に対する多様な高品質な解を求める。
最近提案されたエッジベースの多様性最適化アプローチと比較して,多数のソリューションや長いセグメントを扱う場合に比べて,大幅な改善が見られた。
論文 参考訳（メタデータ） (2021-04-28T02:36:14Z) - Computing Diverse Sets of Solutions for Monotone Submodular Optimisation
Problems [13.026567958569965]
本稿では,サブモジュール最適化問題に対する多種多様な高品質解集合の計算手法を提案する。
まず, エントロピーによって測定された多様性について, グリーディサンプリング手法の多様化と解析を行った。
次に、進化的多様性最適化手法を導入し、解の集合の多様性をさらに改善する。
論文 参考訳（メタデータ） (2020-10-22T07:11:34Z) - EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm
for Constrained Global Optimization [68.8204255655161]
EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。
これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。
その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
論文 参考訳（メタデータ） (2020-07-09T10:19:22Z) - GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal
Black Box Constraint Satisfaction [69.94831587339539]
本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。
我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
論文 参考訳（メタデータ） (2020-02-17T20:21:20Z)
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。