論文の概要: Amortized Global Search for Efficient Preliminary Trajectory Design with
Deep Generative Models
- arxiv url: http://arxiv.org/abs/2308.03960v1
- Date: Mon, 7 Aug 2023 23:52:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-09 14:34:06.898393
- Title: Amortized Global Search for Efficient Preliminary Trajectory Design with
Deep Generative Models
- Title（参考訳）: 深部生成モデルを用いた効率的予備軌道設計のためのamortized global search
- Authors: Anjian Li, Amlan Sinha, Ryne Beeson
- Abstract要約: 予備軌道設計は、軌道最適化問題に対する複数の定性的異なる解を求める大域的問題である。
本稿では,AGS (Global Search) フレームワークを提案する。
提案手法は,Derustの5番目の機能と,低次円周制限3体問題を用いて評価した。
- 参考スコア（独自算出の注目度）: 1.1602089225841632
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Preliminary trajectory design is a global search problem that seeks multiple
qualitatively different solutions to a trajectory optimization problem. Due to
its high dimensionality and non-convexity, and the frequent adjustment of
problem parameters, the global search becomes computationally demanding. In
this paper, we exploit the clustering structure in the solutions and propose an
amortized global search (AmorGS) framework. We use deep generative models to
predict trajectory solutions that share similar structures with previously
solved problems, which accelerates the global search for unseen parameter
values. Our method is evaluated using De Jong's 5th function and a low-thrust
circular restricted three-body problem.
- Abstract（参考訳）: 予備軌道設計は、軌道最適化問題に対する複数の定性的異なる解を求める大域的探索問題である。
高次元と非凸性、および問題パラメータの頻繁な調整により、グローバル検索は計算的に要求されるようになる。
本稿では,ソリューションのクラスタリング構造を利用して,アモータイズされたグローバルサーチ(AmorGS)フレームワークを提案する。
我々は、先述した問題と類似した構造を共有する軌跡解の予測に深層生成モデルを使用し、未確認パラメータ値のグローバル探索を加速する。
本手法は, de jong の5番目の関数と低反発円制限3体問題を用いて評価する。
関連論文リスト
- Learning Optimal Control and Dynamical Structure of Global Trajectory Search Problems with Diffusion Models [0.5399800035598186]
本稿では,循環制限型3体問題における2つの大域的探索問題について検討する。
我々は、拡散モデルを適用して条件付き確率分布を学習するために、事前生成機械学習フレームワークを構築した。
論文 参考訳（メタデータ） (2024-10-03T20:35:23Z) - LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。
このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
論文 参考訳（メタデータ） (2024-10-03T18:12:29Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Complex matter field universal models with optimal scaling for solving
combinatorial optimization problems [0.0]
我々は、多くの実生活NP-ハード最適化問題の最適マッピングを可能にする普遍モデルを開発する。
グラフカラー化、旅行セールスマン、モジュラーN-クエンス問題という3つの有名な問題に対して、1対1のマッピングを明示的に定式化する。
論文 参考訳（メタデータ） (2022-01-18T21:53:47Z) - Fighting the curse of dimensionality: A machine learning approach to
finding global optima [77.34726150561087]
本稿では,構造最適化問題におけるグローバル最適化の方法を示す。
特定のコスト関数を利用することで、最適化手順が確立された場合と比較して、グローバルをベストに得るか、最悪の場合、優れた結果を得るかのどちらかを得る。
論文 参考訳（メタデータ） (2021-10-28T09:50:29Z) - Global optimization using random embeddings [1.2891210250935143]
本稿では,リプシッツ連続目的量の大域的最適化のためのランダム部分空間アルゴリズムフレームワークを提案する。
X-REGOは、連続的または同時的に、高次元の原問題を低次元のサブプロブレムにランダムに投影する。
この変種が元の問題の有効次元と近似大域最小化の両方を効率的に見つけることを数値的に示す。
論文 参考訳（メタデータ） (2021-07-26T10:45:49Z) - An Overview and Experimental Study of Learning-based Optimization
Algorithms for Vehicle Routing Problem [49.04543375851723]
車両ルーティング問題(VRP)は典型的な離散最適化問題である。
多くの研究は、VRPを解決するための学習に基づく最適化アルゴリズムについて検討している。
本稿では、最近のこの分野の進歩を概観し、関連するアプローチをエンドツーエンドアプローチとステップバイステップアプローチに分割する。
論文 参考訳（メタデータ） (2021-07-15T02:13:03Z) - Multi-Space Evolutionary Search for Large-Scale Optimization [31.592330078642828]
本稿では,大規模最適化問題を解くための既存の進化的探索法を強化するために,多空間進化探索という新しい探索パラダイムを提案する。
提案したパラダイムは、問題の分解性や決定変数の間に特定の関係が存在するなど、関心の大規模最適化問題に関する仮定をしない。
論文 参考訳（メタデータ） (2021-02-23T13:50:09Z) - MineReduce: an approach based on data mining for problem size reduction [58.720142291102135]
本稿では,マイニングパターンを用いて問題サイズの削減を行うMineReduceという手法を提案する。
異種車両ルーティング問題に対するMineReduceの適用について述べる。
論文 参考訳（メタデータ） (2020-05-15T08:49:50Z) - Polynomial-Time Exact MAP Inference on Discrete Models with Global
Dependencies [83.05591911173332]
ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。
本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
論文 参考訳（メタデータ） (2019-12-27T13:30:29Z)
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。