論文の概要: Update Monte Carlo tree search (UMCTS) algorithm for heuristic global
search of sizing optimization problems for truss structures
- arxiv url: http://arxiv.org/abs/2309.06045v1
- Date: Tue, 12 Sep 2023 08:29:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-13 13:50:11.131711
- Title: Update Monte Carlo tree search (UMCTS) algorithm for heuristic global
search of sizing optimization problems for truss structures
- Title(参考訳): Update Monte Carlo Tree Search (UMCTS) アルゴリズムによるトラス構造におけるサイズ最適化問題のヒューリスティック大域探索
- Authors: Fu-Yao Ko, Katsuyuki Suzuki, Kazuo Yonekura
- Abstract要約: 更新モンテカルロ木探索 (UMCTS) と呼ばれる新しい効率的な最適化アルゴリズムを開発し, トラス構造を適切に設計する。
提案手法の計算時間は分岐境界法 (BB) の少なくとも10倍高速である。
- 参考スコア(独自算出の注目度): 1.2277343096128712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sizing optimization of truss structures is a complex computational problem,
and the reinforcement learning (RL) is suitable for dealing with multimodal
problems without gradient computations. In this paper, a new efficient
optimization algorithm called update Monte Carlo tree search (UMCTS) is
developed to obtain the appropriate design for truss structures. UMCTS is an
RL-based method that combines the novel update process and Monte Carlo tree
search (MCTS) with the upper confidence bound (UCB). Update process means that
in each round, the optimal cross-sectional area of each member is determined by
search tree, and its initial state is the final state in the previous round. In
the UMCTS algorithm, an accelerator for the number of selections for member
area and iteration number is introduced to reduce the computation time.
Moreover, for each state, the average reward is replaced by the best reward
collected on the simulation process to determine the optimal solution. The
proposed optimization method is examined on some benchmark problems of planar
and spatial trusses with discrete sizing variables to demonstrate the
efficiency and validity. It is shown that the computation time for the proposed
approach is at least ten times faster than the branch and bound (BB) method.
The numerical results indicate that the proposed method stably achieves better
solution than other conventional methods.
- Abstract(参考訳): トラス構造のサイズ最適化は複雑な計算問題であり、強化学習(rl)は勾配計算なしでマルチモーダル問題を扱うのに適している。
本稿では,更新モンテカルロ木探索 (UMCTS) と呼ばれる新しい効率的な最適化アルゴリズムを開発し,トラス構造の適切な設計を求める。
UMCTSは、新しい更新プロセスとモンテカルロ木探索(MCTS)と高信頼境界(UCB)を組み合わせたRLベースの手法である。
更新処理は、各ラウンドにおいて各メンバーの最適断面積が探索木によって決定され、その初期状態が前ラウンドの最終状態となることを意味する。
umctsアルゴリズムでは、計算時間を短縮するために、メンバ領域とイテレーション数の選択回数の加速器を導入する。
さらに、各状態において、最適解を決定するために、平均報酬をシミュレーションプロセスで収集した最高の報酬に置き換える。
離散サイズ変数を用いた平面および空間トラスのベンチマーク問題に対して, 提案手法を適用し, 効率と妥当性を検証した。
提案手法の計算時間はbranch and bound (bb) 法より少なくとも10倍高速であることを示した。
その結果,提案手法は従来の方法よりも安定して解が得られることがわかった。
関連論文リスト
- Improving sample efficiency of high dimensional Bayesian optimization
with MCMC [7.241485121318798]
本稿ではマルコフ・チェイン・モンテカルロに基づく新しい手法を提案する。
提案アルゴリズムのMetropolis-HastingsとLangevin Dynamicsの両バージョンは、高次元逐次最適化および強化学習ベンチマークにおいて最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2024-01-05T05:56:42Z) - Combined sizing and layout optimization of truss structures via update
Monte Carlo tree search (UMCTS) algorithm [1.2277343096128712]
本研究の主な関心事は, サイズとレイアウトの変数を同時に考慮したトラス構造の最適設計を見出すことである。
本稿では,更新プロセスとモンテカルロ木探索を組み合わせた強化学習手法を適用した。
提案手法は従来の方法よりも安定して解が得られる。
論文 参考訳(メタデータ) (2023-09-25T15:42:52Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳(メタデータ) (2023-07-17T20:11:56Z) - Monte Carlo Tree Descent for Black-Box Optimization [10.698553177585973]
我々は、より高速な最適化のためにサンプルベース降下をさらに統合する方法を研究する。
我々は,モンテカルロ探索木の拡張手法を,頂点における新しい降下法を用いて設計する。
提案アルゴリズムは,多くの挑戦的ベンチマーク問題において,最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-11-01T22:45:10Z) - Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。
基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。
我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文 参考訳(メタデータ) (2022-09-27T17:51:31Z) - Tree ensemble kernels for Bayesian optimization with known constraints
over mixed-feature spaces [54.58348769621782]
木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。
ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。
我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
論文 参考訳(メタデータ) (2022-07-02T16:59:37Z) - High dimensional Bayesian Optimization Algorithm for Complex System in
Time Series [1.9371782627708491]
本稿では,新しい高次元ベイズ最適化アルゴリズムを提案する。
モデルの時間依存特性や次元依存特性に基づいて,提案アルゴリズムは次元を均等に低減することができる。
最適解の最終精度を高めるために,提案アルゴリズムは,最終段階におけるアダムに基づく一連のステップに基づく局所探索を追加する。
論文 参考訳(メタデータ) (2021-08-04T21:21:17Z) - Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex
Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。
我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。
我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
論文 参考訳(メタデータ) (2021-06-08T15:54:44Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-01-07T08:00:02Z) - Improving the Quantum Approximate Optimization Algorithm with
postselection [0.0]
組合せ最適化は、短期的およびフォールトトレラントな量子コンピュータに想定される主な応用の1つである。
量子近似最適化アルゴリズム(Quantum Approximate Optimization Algorithm, QAOA)は3つの正則グラフ上のMaxCut問題に適用される。
理論上界と下界を導いており、満たされた辺の分数の一定(小さい)増加が実際に達成可能であることを示す。
論文 参考訳(メタデータ) (2020-11-10T22:17:50Z) - Adaptive Sampling for Best Policy Identification in Markov Decision
Processes [79.4957965474334]
本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。
最先端アルゴリズムの利点を論じ、解説する。
論文 参考訳(メタデータ) (2020-09-28T15:22:24Z)
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。