論文の概要: Improved Monte Carlo tree search formulation with multiple root nodes for discrete sizing optimization of truss structures

• arxiv url: http://arxiv.org/abs/2309.06045v4
• Date: Wed, 7 Aug 2024 13:29:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-08 18:23:43.558788
• Title: Improved Monte Carlo tree search formulation with multiple root nodes for discrete sizing optimization of truss structures
• Title（参考訳）: 複数のルートノードを用いたモンテカルロ木探索定式化によるトラス構造の離散サイズ最適化
• Authors: Fu-Yao Ko, Katsuyuki Suzuki, Kazuo Yonekura,
• Abstract要約: 本稿では,改良モンテカルロ木探索法(IMCTS)を用いた新しい強化学習アルゴリズムを提案する。 複数のルートノードを持つIMCTSには、更新プロセス、最高の報酬、加速技術、端末条件が含まれる。 これらの数値的な例は、エージェントが計算コストの低い最適解を見つけ、安定して最適な設計をし、多目的構造最適化や大規模構造に適していることを示している。
• 参考スコア（独自算出の注目度）: 1.0923877073891446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a novel reinforcement learning (RL) algorithm using improved Monte Carlo tree search (IMCTS) formulation for discrete optimum design of truss structures. IMCTS with multiple root nodes includes update process, the best reward, accelerating technique, and terminal condition. Update process means that once a final solution is found, it is used as the initial solution for next search tree. The best reward is used in the backpropagation step. Accelerating technique is introduced by decreasing the width of search tree and reducing maximum number of iterations. The agent is trained to minimize the total structural weight under various constraints until the terminal condition is satisfied. Then, optimal solution is the minimum value of all solutions found by search trees. These numerical examples show that the agent can find optimal solution with low computational cost, stably produces an optimal design, and is suitable for multi-objective structural optimization and large-scale structures.
• Abstract（参考訳）: 本稿では,改良モンテカルロ木探索法(IMCTS)を用いた新しい強化学習アルゴリズムを提案する。 複数のルートノードを持つIMCTSには、更新プロセス、最高の報酬、加速技術、端末条件が含まれる。 更新プロセスは、最終ソリューションが見つかると、次の検索ツリーの最初のソリューションとして使用されることを意味する。 最高の報酬は、バックプロパゲーションステップで使用されます。 探索木幅を減らし,最大反復回数を減らして高速化技術を導入する。 エージェントは、端末条件が満たされるまで、様々な制約下での全構造重量を最小化するように訓練される。 そして、最適解は探索木で見つかるすべての解の最小値である。 これらの数値的な例は、エージェントが計算コストの低い最適解を見つけ、安定して最適な設計をし、多目的構造最適化や大規模構造に適していることを示している。

関連論文リスト

• Mixed variable structural optimization using mixed variable system Monte Carlo tree search formulation [1.0923877073891446]
  混合変数系モンテカルロ木探索法(MVSMCTS)という新しい手法を提案する。 トラス構造の寸法と形状を最適化するために、設計変数は、部材の断面領域と関節の結節座標である。 MVSMCTSは、連続変数のための更新プロセスと加速技術と、単一システムと混合システムのための組み合わせスキームを取り入れている。
  論文  参考訳（メタデータ） (2023-09-25T15:42:52Z)
• 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)
• Quant-BnB: A Scalable Branch-and-Bound Method for Optimal Decision Trees with Continuous Features [5.663538370244174]
  本稿では,分岐とバウンド(BnB)に基づく新たな離散最適化手法を提案する。 提案アルゴリズムのQuant-BnBは,様々な実データセット上での浅い最適木に対する既存手法と比較して,大幅な高速化を示す。
  論文  参考訳（メタデータ） (2022-06-23T17:19:29Z)
• bsnsing: A decision tree induction method based on recursive optimal boolean rule composition [2.28438857884398]
  本稿では,決定木帰納過程における分割規則選択を最適化するMIP(Mixed-integer Programming)の定式化を提案する。 商用の解法よりも高速に実例を解くことができる効率的な探索解法を開発した。
  論文  参考訳（メタデータ） (2022-05-30T17:13:57Z)
• Online Model Selection for Reinforcement Learning with Function Approximation [50.008542459050155]
  我々は、$tildeO(L5/6 T2/3)$ regretで最適な複雑性に適応するメタアルゴリズムを提案する。 また、メタアルゴリズムは、インスタンス依存の後悔境界を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-11-19T10:00:54Z)
• MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
  動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。 当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
  論文  参考訳（メタデータ） (2020-07-24T17:06:55Z)
• Generalized and Scalable Optimal Sparse Decision Trees [56.35541305670828]
  様々な目的に対して最適な決定木を生成する手法を提案する。 また,連続変数が存在する場合に最適な結果が得られるスケーラブルなアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-06-15T19:00:11Z)
• ENTMOOT: A Framework for Optimization over Ensemble Tree Models [57.98561336670884]
  ENTMOOTは、ツリーモデルをより大きな最適化問題に統合するためのフレームワークである。 ENTMOOTは、ツリーモデルの意思決定とブラックボックス最適化への単純な統合を可能にしていることを示す。
  論文  参考訳（メタデータ） (2020-03-10T14:34:07Z)

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。