論文の概要: Dynamic Decision Making in Engineering System Design: A Deep Q-Learning Approach

• arxiv url: http://arxiv.org/abs/2312.17284v1
• Date: Thu, 28 Dec 2023 06:11:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-02 19:09:37.719969
• Title: Dynamic Decision Making in Engineering System Design: A Deep Q-Learning Approach
• Title（参考訳）: エンジニアリングシステム設計における動的意思決定 : Q-Learning アプローチ
• Authors: Ramin Giahi, Cameron A. MacKenzie, Reyhaneh Bijari
• Abstract要約: 本稿では,Deep Q-learningアルゴリズムを用いてエンジニアリングシステムの設計を最適化するフレームワークを提案する。 目的は、不確実性の複数のソースが与えられたシミュレーションモデルの出力を最大化するポリシーを見つけることである。 複数の不確実性が存在する場合の2つの工学系設計問題を解くことで,提案手法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 1.3812010983144802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Engineering system design, viewed as a decision-making process, faces challenges due to complexity and uncertainty. In this paper, we present a framework proposing the use of the Deep Q-learning algorithm to optimize the design of engineering systems. We outline a step-by-step framework for optimizing engineering system designs. The goal is to find policies that maximize the output of a simulation model given multiple sources of uncertainties. The proposed algorithm handles linear and non-linear multi-stage stochastic problems, where decision variables are discrete, and the objective function and constraints are assessed via a Monte Carlo simulation. We demonstrate the effectiveness of our proposed framework by solving two engineering system design problems in the presence of multiple uncertainties, such as price and demand.
• Abstract（参考訳）: 意思決定プロセスと見なされるエンジニアリングシステム設計は、複雑さと不確実性による課題に直面します。 本稿では,Deep Q-learningアルゴリズムを用いてエンジニアリングシステムの設計を最適化するフレームワークを提案する。 エンジニアリングシステム設計を最適化するためのステップバイステップのフレームワークを概説する。 目標は、複数の不確実性の源を与えられたシミュレーションモデルの出力を最大化するポリシーを見つけることである。 提案アルゴリズムは,決定変数が離散的であり,目的関数と制約がモンテカルロシミュレーションによって評価される線形および非線形多段階確率問題を扱う。 提案手法は,価格や需要など複数の不確実性が存在する場合に,2つのエンジニアリングシステム設計問題を解決することで有効性を示す。

関連論文リスト

• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• Bayesian Quality-Diversity approaches for constrained optimization problems with mixed continuous, discrete and categorical variables [0.3626013617212667]
  シミュレーション予算の制限という観点から,混合変数に基づく新しい品質多様性手法を提案する。 提案手法は、複雑なシステム設計のための意思決定者にとって貴重なトレードオフを提供する。
  論文  参考訳（メタデータ） (2023-09-11T14:29:47Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
  本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。 シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
  論文  参考訳（メタデータ） (2022-09-15T07:22:58Z)
• Automated Circuit Sizing with Multi-objective Optimization based on Differential Evolution and Bayesian Inference [1.1579778934294358]
  一般化微分進化3(GDE3)とガウス過程(GP)に基づく設計最適化手法を提案する。 提案手法は,多数の設計変数を持つ複雑な回路の小型化を実現し,多くの競合対象を最適化する。 本研究では,2つの電圧レギュレータにおいて,異なるレベルの複雑さを示す手法について検討した。
  論文  参考訳（メタデータ） (2022-06-06T06:48:45Z)
• Robust Topology Optimization Using Multi-Fidelity Variational Autoencoders [1.0124625066746595]
  強靭なトポロジー最適化(RTO)問題は、最高の平均性能を持つ設計を特定する。 計算効率を向上するニューラルネットワーク手法を提案する。 本手法の数値解析は,Lブラケット構造のロバスト設計における単一点負荷と複数点負荷について述べる。
  論文  参考訳（メタデータ） (2021-07-19T20:40:51Z)
• Learning MDPs from Features: Predict-Then-Optimize for Sequential Decision Problems by Reinforcement Learning [52.74071439183113]
  我々は、強化学習を通して解決された逐次決定問題(MDP)の文脈における予測列最適化フレームワークについて検討した。 2つの重要な計算課題は、意思決定中心の学習をMDPに適用することである。
  論文  参考訳（メタデータ） (2021-06-06T23:53:31Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)
• Analog Circuit Design with Dyna-Style Reinforcement Learning [12.232323973906773]
  本稿では,アナログ回路設計における学習に基づくアプローチを提案する。 まず、ニューラルネットワークによって近似された性能の代理モデル(英語版)を学習し、必要なシミュレーション数の削減を図る。 第2に、制約を満たす多様なソリューション空間を探索するためにポリシージェネレータを使用し、その結果、ポリシーをトレーニングするために20,000の回路シミュレーションで適用されたモデルフリー手法と比較して、DynaOptは、わずか500のシミュレーションでスクラッチから学習することで、さらに優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-11-16T00:19:25Z)
• A Unifying Framework for Reinforcement Learning and Planning [2.564530030795554]
  本稿では、強化学習計画(FRAP)のための統一的アルゴリズムフレームワークを提案する。 論文の最後には、これらの次元に沿って、よく知られたプランニング、モデルフリー、モデルベースRLアルゴリズムを比較した。
  論文  参考訳（メタデータ） (2020-06-26T14:30:41Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。