論文の概要: End-to-End Pareto Set Prediction with Graph Neural Networks for
Multi-objective Facility Location
- arxiv url: http://arxiv.org/abs/2210.15220v1
- Date: Thu, 27 Oct 2022 07:15:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 12:33:44.519416
- Title: End-to-End Pareto Set Prediction with Graph Neural Networks for
Multi-objective Facility Location
- Title（参考訳）: 多目的施設配置のためのグラフニューラルネットワークによる終端パレートセット予測
- Authors: Shiqing Liu, Xueming Yan, Yaochu Jin
- Abstract要約: 施設配置問題(FLP)は、サプライチェーンやロジスティクスで広く見られるNPハード最適化問題の典型的なクラスである。
本稿では,システム全体のコストを同時に最小化し,システム信頼性を最大化する多目的施設配置問題(MO-FLP)について考察する。
ノードとエッジの暗黙グラフ表現を学習するために、2つのグラフニューラルネットワークを構築した。
- 参考スコア（独自算出の注目度）: 10.130342722193204
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The facility location problems (FLPs) are a typical class of NP-hard
combinatorial optimization problems, which are widely seen in the supply chain
and logistics. Many mathematical and heuristic algorithms have been developed
for optimizing the FLP. In addition to the transportation cost, there are
usually multiple conflicting objectives in realistic applications. It is
therefore desirable to design algorithms that find a set of Pareto solutions
efficiently without enormous search cost. In this paper, we consider the
multi-objective facility location problem (MO-FLP) that simultaneously
minimizes the overall cost and maximizes the system reliability. We develop a
learning-based approach to predicting the distribution probability of the
entire Pareto set for a given problem. To this end, the MO-FLP is modeled as a
bipartite graph optimization problem and two graph neural networks are
constructed to learn the implicit graph representation on nodes and edges. The
network outputs are then converted into the probability distribution of the
Pareto set, from which a set of non-dominated solutions can be sampled
non-autoregressively. Experimental results on MO-FLP instances of different
scales show that the proposed approach achieves a comparable performance to a
widely used multi-objective evolutionary algorithm in terms of the solution
quality while significantly reducing the computational cost for search.
- Abstract（参考訳）: 施設配置問題(英: facility location problem、flps)は、サプライチェーンやロジスティクスで広く見られるnp-hard combinatorial optimization problemの典型クラスである。
FLPを最適化するために多くの数学的およびヒューリスティックなアルゴリズムが開発されている。
輸送コストに加えて、現実の用途には相反する複数の目的がある。
したがって、paretoソリューションのセットを効率的に探索コストなしで見つけるアルゴリズムを設計することが望ましい。
本稿では,システム全体のコストを最小化し,システムの信頼性を最大化する多目的設備配置問題(mo-flp)を考える。
与えられた問題に対するパレート集合全体の分布確率を予測するための学習に基づくアプローチを開発する。
この目的のために、MO-FLPを二部グラフ最適化問題としてモデル化し、2つのグラフニューラルネットワークを構築し、ノードとエッジの暗黙グラフ表現を学習する。
ネットワーク出力はパレート集合の確率分布に変換され、そこから非支配解の集合を非自己回帰的にサンプリングすることができる。
異なるスケールのMO-FLPインスタンスに対する実験結果から,提案手法は探索の計算コストを大幅に削減しつつ,解の質の観点から広く用いられている多目的進化アルゴリズムに匹敵する性能を示した。
関連論文リスト
- Expensive Multi-Objective Bayesian Optimization Based on Diffusion Models [17.19004913553654]
多目的ベイズ最適化(MOBO)は、様々な高価な多目的最適化問題(EMOP)において有望な性能を示した。
高価なMOBOのための合成拡散モデルに基づくパレートセット学習アルゴリズム,すなわちCDM-PSLを提案する。
提案アルゴリズムは,様々な最先端MOBOアルゴリズムと比較して優れた性能が得られる。
論文 参考訳（メタデータ） (2024-05-14T14:55:57Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - Multi-Resource Allocation for On-Device Distributed Federated Learning
Systems [79.02994855744848]
本研究は,デバイス上の分散フェデレーション学習(FL)システムにおいて,レイテンシとエネルギー消費の重み付け和を最小化する分散マルチリソース割り当て方式を提案する。
システム内の各モバイルデバイスは、指定された領域内でモデルトレーニングプロセスを実行し、それぞれパラメータの導出とアップロードを行うための計算と通信資源を割り当てる。
論文 参考訳（メタデータ） (2022-11-01T14:16:05Z) - Pretrained Cost Model for Distributed Constraint Optimization Problems [37.79733538931925]
分散制約最適化問題(DCOP)は、最適化問題の重要なサブクラスである。
本稿では,DCOPのための新しい非巡回グラフスキーマ表現を提案し,グラフ表現を組み込むためにグラフ注意ネットワーク(GAT)を利用する。
我々のモデルであるGAT-PCMは、幅広いDCOPアルゴリズムを向上するために、オフラインで最適なラベル付きデータで事前訓練される。
論文 参考訳（メタデータ） (2021-12-08T09:24:10Z) - Multi-Task Learning on Networks [0.0]
マルチタスク学習コンテキストで発生する多目的最適化問題は、特定の特徴を持ち、アドホックな方法を必要とする。
この論文では、入力空間の解は、関数評価に含まれる知識をカプセル化した確率分布として表現される。
確率分布のこの空間では、ワッサーシュタイン距離によって与えられる計量が与えられ、モデルが目的関数に直接依存しないような新しいアルゴリズムMOEA/WSTを設計することができる。
論文 参考訳（メタデータ） (2021-12-07T09:13:10Z) - Runtime Analysis of Single- and Multi-Objective Evolutionary Algorithms for Chance Constrained Optimization Problems with Normally Distributed Random Variables [11.310502327308575]
独立して通常は分散しているコンポーネントのシナリオについて研究する。
期待されるコストとその分散をトレードオフする問題を多目的に定式化する。
また,本手法は,木に散らばった最小限の問題に対して最適解の集合を計算するためにも有効であることを示す。
論文 参考訳（メタデータ） (2021-09-13T09:24:23Z) - Efficient semidefinite-programming-based inference for binary and
multi-class MRFs [83.09715052229782]
分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。
一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
論文 参考訳（メタデータ） (2020-12-04T15:36:29Z) - Multi-Fidelity Multi-Objective Bayesian Optimization: An Output Space
Entropy Search Approach [44.25245545568633]
複数目的のブラックボックス最適化の新たな課題を多要素関数評価を用いて検討する。
いくつかの総合的および実世界のベンチマーク問題に対する実験により、MF-OSEMOは両者の近似により、最先端の単一忠実度アルゴリズムよりも大幅に改善されていることが示された。
論文 参考訳（メタデータ） (2020-11-02T06:59:04Z) - 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) - Second-Order Guarantees in Centralized, Federated and Decentralized
Nonconvex Optimization [64.26238893241322]
単純なアルゴリズムは、多くの文脈において優れた経験的結果をもたらすことが示されている。
いくつかの研究は、非最適化問題を研究するための厳密な分析的正当化を追求している。
これらの分析における重要な洞察は、摂動が局所的な降下アルゴリズムを許容する上で重要な役割を担っていることである。
論文 参考訳（メタデータ） (2020-03-31T16:54:22Z)
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。