Fugu-MT 論文翻訳(概要): VBMO: Voting-Based Multi-Objective Path Planning

論文の概要: VBMO: Voting-Based Multi-Objective Path Planning

arxiv url: http://arxiv.org/abs/2308.11755v1
Date: Tue, 22 Aug 2023 19:51:48 GMT
ステータス: 処理完了
システム内更新日: 2023-08-24 17:00:24.529800
Title: VBMO: Voting-Based Multi-Objective Path Planning
Title（参考訳）: VBMO:投票に基づく多目的パス計画
Authors: Raj Korpan
Abstract要約: 投票に基づく多目的経路計画アルゴリズムは最適な単目的計画を生成する。それぞれを他の目的に対して評価し、投票機構を持つものを選択する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: This paper presents VBMO, the Voting-Based Multi-Objective path planning algorithm, that generates optimal single-objective plans, evaluates each of them with respect to the other objectives, and selects one with a voting mechanism. VBMO does not use hand-tuned weights, consider the multiple objectives at every step of search, or use an evolutionary algorithm. Instead, it considers how a plan that is optimal in one objective may perform well with respect to others. VBMO incorporates three voting mechanisms: range, Borda, and combined approval. Extensive evaluation in diverse and complex environments demonstrates the algorithm's ability to efficiently produce plans that satisfy multiple objectives.
Abstract（参考訳）: 本稿では, 最適単一目的計画を作成し, 他の目的に対する評価を行い, 投票機構で選択する, 投票ベースの多目的経路計画アルゴリズムvbmoを提案する。 VBMOは手動の重みを使用せず、探索の各段階で複数の目的を考慮せず、進化的アルゴリズムも使用していない。その代わり、ある目的において最適な計画が他の目的に対してうまく機能するかを考える。 VBMOには、範囲、ボルダ、承認の組み合わせの3つの投票メカニズムが組み込まれている。多様な複雑な環境における広範囲な評価は、アルゴリズムが複数の目的を満たすプランを効率的に作成する能力を示している。

関連論文リスト

Deep Pareto Reinforcement Learning for Multi-Objective Recommender Systems [60.91599969408029]
複数の目的を同時に最適化することは、レコメンデーションプラットフォームにとって重要なタスクです。既存の多目的推薦システムは、そのような動的な関係を体系的に考慮していない。
論文参考訳（メタデータ） (2024-07-04T02:19:49Z)
Decoding-Time Language Model Alignment with Multiple Objectives [116.42095026960598]
既存の手法は主に、1つの報酬関数に対してLMを最適化することに集中し、それらの適応性は様々な目的に制限される。本稿では,予測の線形結合から次のトークンを出力する復号時間アルゴリズムである$textbfmulti-objective decoding (MOD)$を提案する。提案手法は, 自然条件下であっても, 既存のアプローチが準最適であることを示すとともに, 提案手法の最適性を保証する。
論文参考訳（メタデータ） (2024-06-27T02:46:30Z)
Multi-Teacher Multi-Objective Meta-Learning for Zero-Shot Hyperspectral Band Selection [50.30291173608449]
ゼロショットハイパースペクトル帯選択のための新しい多目的メタラーニングネットワーク(M$3$BS)を提案する。 M$3$BSでは、データセットに依存しないベースを生成するために、一般化可能なグラフ畳み込みネットワーク(GCN)を構築している。取得したメタ知識は、トレーニングや微調整なしに、直接見えないデータセットに転送することができる。
論文参考訳（メタデータ） (2024-06-12T07:13:31Z)
Many-objective Optimization via Voting for Elites [0.5076419064097734]
我々はMOVEが50人のエリートエリートに対して有効であることを示している。このタイプの識別は,足場石の自動識別やカリキュラム学習における暗黙の手法であることが示唆された。我々はMOVEとMAP-Elitesアルゴリズムの類似点と相違点についてコメントする。
論文参考訳（メタデータ） (2023-07-05T21:30:37Z)
Multi-Target Multiplicity: Flexibility and Fairness in Target Specification under Resource Constraints [76.84999501420938]
対象の選択が個人の結果にどのように影響するかを評価するための概念的および計算的枠組みを導入する。目的変数選択から生じる多重度は, 1つのターゲットのほぼ最適モデルから生じるものよりも大きいことが示される。
論文参考訳（メタデータ） (2023-06-23T18:57:14Z)
EmbodiedGPT: Vision-Language Pre-Training via Embodied Chain of Thought [95.37585041654535]
Embodied AIは、ロボットが物理的な環境で長時間のタスクを遂行するためのアクションシーケンスを計画し、実行することができる。本稿では,EmbodiedGPTを紹介する。EmbodiedGPTは,エンボディドAIのためのエンドツーエンドのマルチモーダル基盤モデルである。実験は、実施計画、実施制御、視覚的キャプション、視覚的質問応答など、実施されたタスクに対するEmbodiedGPTの有効性を示す。
論文参考訳（メタデータ） (2023-05-24T11:04:30Z)
Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。 GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文参考訳（メタデータ） (2022-10-23T16:15:36Z)
Alleviating Search Bias in Bayesian Evolutionary Optimization with Many Heterogeneous Objectives [9.139734850798124]
異種目的(HE-MOP)を用いた多目的最適化問題に対処する。高速な目的に対して探索バイアスを緩和する新たな獲得関数を提案する。提案アルゴリズムの有効性を,多目的・多目的のベンチマーク問題で検証することによって実証する。
論文参考訳（メタデータ） (2022-08-25T17:07:40Z)
Evolutionary Multiparty Distance Minimization [13.552748117124278]
マルチパーティ多目的最適化問題 (MPMOP) は、複数の意思決定者が関与するMOPを記述するために提案される。本稿では距離最小化問題(DMP)に基づく一連のMPMOPを構成する。提案するアルゴリズムであるOPtMPNDS3は,マルチパーティの初期化手法を用いて個体群の初期化を行い,JADE2演算子を用いて子孫を生成する。
論文参考訳（メタデータ） (2022-07-27T09:17:58Z)
Interactive Evolutionary Multi-Objective Optimization via Learning-to-Rank [8.421614560290609]
本稿では,関心の解(SOI)を対話的に見つけるために,嗜好に基づくEMOアルゴリズムを設計するためのフレームワークを開発する。 EMOの中核となる考え方は、人間をEMOのループに巻き込むことだ。何回か繰り返すと、DMは数人の現職候補者に対してフィードバックを求めるよう招待される。このような情報を集めることで、彼女の好みは学習からランクまでニューラルネットワークによって徐々に学習され、次にベースラインEMOアルゴリズムを導出するために応用される。
論文参考訳（メタデータ） (2022-04-06T06:34:05Z)
Multi-Objective Quality Diversity Optimization [2.4608515808275455]
MOME(Multi-Objective MAP-Elites)の多目的設定におけるMAP-Elitesアルゴリズムの拡張を提案する。すなわち、MAP-Elitesグリッドアルゴリズムから受け継いだ多様性と、多目的最適化の強みを組み合わせる。本手法は,標準的な最適化問題からロボットシミュレーションまで,いくつかのタスクで評価する。
論文参考訳（メタデータ） (2022-02-07T10:48:28Z)

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。