論文の概要: Stochastic Capacitated Arc Routing Problem
- arxiv url: http://arxiv.org/abs/2211.12728v1
- Date: Wed, 23 Nov 2022 06:39:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 14:40:35.659264
- Title: Stochastic Capacitated Arc Routing Problem
- Title（参考訳）: 確率容量アークルーティング問題
- Authors: Fleury G\'erard, Lacomme Philippe, Christian Prins
- Abstract要約: 本稿では,CARPのアークの量をランダム化して得られたSCARP(Capacitated Arc Routing Problem)を扱う。
実生活問題においては、これらの量のランダム性のため、収集する量の変動に敏感な解を作成することが重要である。
その結果、解コストを大幅に増大させることなくロバストな解を得ることが可能であることが証明された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper deals with the Stochastic Capacitated Arc Routing Problem (SCARP),
obtained by randomizing quantities on the arcs in the CARP. Optimization
problems for the SCARP are characterized by decisions that are made without
knowing their full consequences. For real-life problems, it is important to
create solutions insensitive to variations of the quantities to collect because
of the randomness of these quantities. Efficient robust solutions are required
to avoid unprofitable costly moves of vehicles to the depot node. Different
criteria are proposed to model the SCARP and advanced concepts of a genetic
algorithm optimizing both cost and robustness are provided. The method is
benchmarked on the well-known instances proposed by DeArmon, Eglese and
Belenguer. The results prove it is possible to obtain robust solutions without
any significant enlargement of the solution cost. This allows treating more
realistic problems including industrial goals and constraints linked to
variations in the quantities to be collected.
- Abstract（参考訳）: 本稿では,CARPのアークの量をランダム化したSCARP(Stochastic Capacitated Arc Routing Problem)について述べる。
SCARPの最適化問題は、その完全な結果を知ることなく行われる決定によって特徴づけられる。
実生活問題では、これらの量のランダム性のため、収集する量の変動に敏感な解を作ることが重要である。
効率的なロバストなソリューションは、費用のかかる車両のデポノードへの移動を避けるために必要である。
コストとロバスト性の両方を最適化する遺伝的アルゴリズムのSCARPと高度な概念をモデル化するための異なる基準を提案する。
この方法は、DeArmon、Eglese、Berenguerによって提案されたよく知られた例にベンチマークされる。
その結果,ソリューションコストを大幅に拡大することなく,ロバストなソリューションを得ることが可能となった。
これにより、産業目標や収集される量の変動に関連する制約を含むより現実的な問題を扱うことができる。
関連論文リスト
- Reinforcement Learning for Variational Quantum Circuits Design [10.136215038345012]
変分量子アルゴリズムは、量子コンピュータの最適化問題を解くための有望なツールとして登場した。
本研究では、強力で柔軟な強化学習パラダイムを活用し、量子回路を自律的に生成できるエージェントを訓練する。
以上の結果から,最大カット問題に対して,R_yz$接続回路は高い近似比が得られることが示唆された。
論文 参考訳（メタデータ） (2024-09-09T10:07:12Z) - Randomized heuristic repair for large-scale multidimensional knapsack problem [0.5439020425819]
多次元クナップサック問題(MKP)は、最大総利益項目のサブセットを決定するNPハード最適化問題である。
本稿では, 品質を劣化させることなく, 補修液の変動性を向上する効率補修法を提案する。
論文 参考訳（メタデータ） (2024-05-24T14:01:05Z) - Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
論文 参考訳（メタデータ） (2023-12-19T13:17:43Z) - Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。
我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。
本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
論文 参考訳（メタデータ） (2023-12-07T15:55:58Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - Provably Efficient Model-Free Algorithms for Non-stationary CMDPs [10.930095238723327]
非定常制約マルコフ決定過程におけるモデルフリー強化学習アルゴリズムについて検討した。
非定常環境では、累積変動が一定の変動予算を超えない限り、報酬、ユーティリティ関数、遷移カーネルは時間とともに任意に変化する。
本稿では,非定常CMDPに対するサブ線形後悔と制約違反をゼロとする,モデルフリーでシミュレータフリーなRLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-10T06:33:38Z) - Variance-Dependent Regret Bounds for Linear Bandits and Reinforcement
Learning: Adaptivity and Computational Efficiency [90.40062452292091]
本稿では,不整合雑音を持つ線形帯域に対する計算効率のよい最初のアルゴリズムを提案する。
我々のアルゴリズムは未知のノイズの分散に適応し、$tildeO(d sqrtsum_k = 1K sigma_k2 + d)$ regretを達成する。
また、強化学習において、線形混合マルコフ決定過程(MDP)に対する分散適応アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-21T00:17:24Z) - Reinforcement Learning and Tree Search Methods for the Unit Commitment
Problem [0.0]
ユニットコミットメント問題は、需要を満たすために生成ユニットの運用スケジュールを決定する。
より厳格に不確実性を説明できるアプローチは、運用コストを大幅に削減する可能性がある。
モデルフリーRLとモデルベースプランニングを組み合わせた新しい手法であるガイドツリーサーチを開発した。
論文 参考訳（メタデータ） (2022-12-12T16:03:31Z) - A Lyapunov-Based Methodology for Constrained Optimization with Bandit
Feedback [22.17503016665027]
各アクションが未知の関節分布からランダムな報酬、コスト、ペナルティを返す問題を考える。
我々は、$tt LyOn$という新しい低複雑さアルゴリズムを提案し、$O(sqrtBlog B)$ regretと$O(log B/B)$ constraint-violationを達成することを証明した。
計算コストの低い$tt LyOn$は、Lyapunovをベースとしたアルゴリズム設計手法が制約付き帯域最適化問題の解決に有効であることを示唆している。
論文 参考訳（メタデータ） (2021-06-09T16:12:07Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳（メタデータ） (2021-03-18T14:26:26Z) - 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)
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。