論文の概要: A hybrid deep-learning-metaheuristic framework to approximate discrete
road network design problems
- arxiv url: http://arxiv.org/abs/2303.06024v1
- Date: Fri, 10 Mar 2023 16:23:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 14:24:36.095486
- Title: A hybrid deep-learning-metaheuristic framework to approximate discrete
road network design problems
- Title（参考訳）: 離散的道路網設計問題に近似するハイブリッドディープラーニング・メタヒューリスティックフレームワーク
- Authors: Bahman Madadi and Goncalo Homem de Almeida Correia
- Abstract要約: 本研究では,道路ネットワーク設計問題(NDP)を解決するためのハイブリッドディープラーニング・メタヒューリスティックフレームワークを提案する。
我々は、ユーザ均衡(UE)トラフィック割り当て問題の解を近似するために、グラフニューラルネットワーク(GNN)を訓練する。
学習したモデルによる推論を用いて、遺伝的アルゴリズムの適合度関数の評価を計算し、NDPの解を近似する。
- 参考スコア（独自算出の注目度）: 2.741266294612776
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study proposes a hybrid deep-learning-metaheuristic framework with a
bi-level architecture to solve road network design problems (NDPs). We train a
graph neural network (GNN) to approximate the solution of the user equilibrium
(UE) traffic assignment problem, and use inferences made by the trained model
to calculate fitness function evaluations of a genetic algorithm (GA) to
approximate solutions for NDPs. Using two NDP variants and an exact solver as
benchmark, we show that our proposed framework can provide solutions within 5%
gap of the global optimum results given less than 1% of the time required for
finding the optimal results. Moreover, we observe many interesting future
directions, thus we propose a brief research agenda for this topic. The key
observation inspiring influential future research was that fitness function
evaluation time using the inferences made by the GNN model for the genetic
algorithm was in the order of milliseconds, which points to an opportunity and
a need for novel heuristics that 1) can cope well with noisy fitness function
values provided by neural networks, and 2) can use the significantly higher
computation time provided to them to explore the search space effectively
(rather than efficiently). This opens a new avenue for a modern class of
metaheuristics that are crafted for use with AI-powered predictors.
- Abstract（参考訳）: 本研究では,道路ネットワーク設計問題(NDP)を解決するために,双方向アーキテクチャを用いたハイブリッドディープラーニング・メタヒューリスティックフレームワークを提案する。
我々は、ユーザ均衡(UE)トラフィック割り当て問題の解を近似するためにグラフニューラルネットワーク(GNN)を訓練し、トレーニングされたモデルによる推論を用いて、遺伝的アルゴリズム(GA)の適合関数評価を計算し、NDPの解を近似する。
2つのNDP変種と正確な解法をベンチマークとして用いた結果,提案手法は,最適結果の発見に要する時間のうち1%未満の時間で,グローバルな最適結果の5%のギャップ内で解を提供できることを示した。
さらに,多くの今後の方向性を考察し,本トピックに関する簡単な研究課題を提案する。
影響力のある将来の研究を刺激する重要な観察は、GNNモデルによる遺伝的アルゴリズムの推論を用いたフィットネス機能評価時間がミリ秒のオーダーであり、これは新しいヒューリスティックスの必要性と機会を示している。
1)ニューラルネットワークが提供するノイズの多いフィットネス機能値にうまく対応でき、
2) 探索空間を効率的に(効率的にではなく)探索するために,提案した計算時間をはるかに高めることができる。
これにより、AI駆動の予測器で使用するために作られた、現代的なメタヒューリスティックなクラスの新たな道が開かれる。
関連論文リスト
- Decision-focused Graph Neural Networks for Combinatorial Optimization [62.34623670845006]
最適化問題に取り組むための新たな戦略は、従来のアルゴリズムに代わるグラフニューラルネットワーク(GNN)の採用である。
GNNや従来のアルゴリズムソルバがCOの領域で人気が高まっているにもかかわらず、それらの統合利用とエンドツーエンドフレームワークにおけるそれらの相関について限定的な研究がなされている。
我々は、GNNを利用してCO問題に補助的なサポートで対処する決定に焦点を当てたフレームワークを導入する。
論文 参考訳（メタデータ） (2024-06-05T22:52:27Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - Graph Reinforcement Learning for Network Control via Bi-Level
Optimization [37.00510744883984]
我々は、データ駆動戦略がこのプロセスを自動化し、最適性を損なうことなく効率的なアルゴリズムを学習できると主張している。
我々は、強化学習のレンズを通してネットワーク制御の問題を提示し、幅広い問題に対処するグラフネットワークベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-16T03:20:22Z) - Learning to Optimize Permutation Flow Shop Scheduling via Graph-based
Imitation Learning [70.65666982566655]
置換フローショップスケジューリング(PFSS)は製造業で広く使われている。
我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。
我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
論文 参考訳（メタデータ） (2022-10-31T09:46:26Z) - Unsupervised Learning for Combinatorial Optimization with Principled
Objective Relaxation [19.582494782591386]
本研究は,最適化(CO)問題に対する教師なし学習フレームワークを提案する。
我々の重要な貢献は、緩和された目的がエントリーワイドな凹凸を満たすならば、低い最適化損失は最終積分解の品質を保証するという観察である。
特に、この観察は、対象が明示的に与えられていないアプリケーションにおいて、事前にモデル化される必要がある場合に、対象モデルの設計を導くことができる。
論文 参考訳（メタデータ） (2022-07-13T06:44:17Z) - Acceleration techniques for optimization over trained neural network
ensembles [1.0323063834827415]
本研究では, 線形単位活性化の補正されたフィードフォワードニューラルネットワークを用いて, 目的関数をモデル化する最適化問題について検討する。
本稿では,1つのニューラルネットワークを最適化するために,既存のBig-M$の定式化をベースとした混合整数線形プログラムを提案する。
論文 参考訳（メタデータ） (2021-12-13T20:50:54Z) - Decentralized Personalized Federated Learning for Min-Max Problems [79.61785798152529]
本稿では,より広い範囲の最適化問題を含むサドル点問題に対して,PFLを初めて検討した。
この問題に対処するための新しいアルゴリズムを提案し、滑らかな(強く)凸-(強く)凹点問題を理論的に解析する。
両線形問題に対する数値実験と, 対向雑音を有するニューラルネットワークは, 提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-06-14T10:36:25Z) - TrackMPNN: A Message Passing Graph Neural Architecture for Multi-Object
Tracking [8.791710193028903]
本研究は,グラフに基づくデータ構造を用いて問題をモデル化する多目的追跡(MOT)への多くの従来のアプローチに従う。
複数のタイムステップにまたがるデータ関連問題を表す動的無方向性グラフに基づくフレームワークを作成する。
また、メモリ効率が高く、リアルタイムなオンラインアルゴリズムを作成するために対処する必要がある計算問題に対するソリューションと提案も提供します。
論文 参考訳（メタデータ） (2021-01-11T21:52:25Z) - On the performance of deep learning for numerical optimization: an
application to protein structure prediction [0.0]
本稿では,グローバルな最適化問題に対処するディープラーニングモデルの性能について述べる。
提案手法は、効率的なニューラルネットワークを生成するために、NAS(Neural Architecture Search)の概念を採用する。
実験により、手書きのアルゴリズムと比較して、生成された学習モデルが競合する結果が得られることが明らかになった。
論文 参考訳（メタデータ） (2020-12-17T17:01:30Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳（メタデータ） (2020-03-13T13:11:35Z) - Optimizing Wireless Systems Using Unsupervised and
Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。
本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文 参考訳（メタデータ） (2020-01-03T11:01:52Z)
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。