Fugu-MT 論文翻訳(概要): A Neural-Evolutionary Algorithm for Autonomous Transit Network Design

論文の概要: A Neural-Evolutionary Algorithm for Autonomous Transit Network Design

arxiv url: http://arxiv.org/abs/2403.07917v3
Date: Mon, 07 Oct 2024 15:45:38 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-08 13:43:28.064142
Title: A Neural-Evolutionary Algorithm for Autonomous Transit Network Design
Title（参考訳）: 自律的交通ネットワーク設計のためのニューラル進化アルゴリズム
Authors: Andrew Holliday, Gregory Dudek,
Abstract要約: 経路ネットワーク構築のポリシーとしてグラフニューラルネットモデルを使用し、進化的アルゴリズムにおいていくつかの突然変異演算子の1つとしてこのポリシーを使用する。我々はこのアルゴリズムをトランジットネットワーク設計のための標準的なベンチマークセットで評価し、学習ポリシーを最大20%向上させ、リアルなベンチマークインスタンス上では最大53%の進化的アルゴリズムアプローチを立案した。
参考スコア（独自算出の注目度）: 8.610161169928796
License:
Abstract: Planning a public transit network is a challenging optimization problem, but essential in order to realize the benefits of autonomous buses. We propose a novel algorithm for planning networks of routes for autonomous buses. We first train a graph neural net model as a policy for constructing route networks, and then use the policy as one of several mutation operators in a evolutionary algorithm. We evaluate this algorithm on a standard set of benchmarks for transit network design, and find that it outperforms the learned policy alone by up to 20% and a plain evolutionary algorithm approach by up to 53% on realistic benchmark instances.
Abstract（参考訳）: 公共交通機関のネットワークを計画することは困難な最適化問題であるが、自律バスの利点を実現するためには不可欠である。本稿では,自動運転バスの経路網を計画する新しいアルゴリズムを提案する。まず、経路ネットワーク構築のポリシーとしてグラフニューラルネットモデルをトレーニングし、その後、進化的アルゴリズムにおいていくつかの突然変異演算子の1つとして使用する。我々はこのアルゴリズムをトランジットネットワーク設計のための標準的なベンチマークセットで評価し、学習ポリシーを最大20%向上させ、リアルなベンチマークインスタンス上では最大53%の進化的アルゴリズムアプローチを立案した。

関連論文リスト

Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
論文参考訳（メタデータ） (2024-03-21T02:33:37Z)
A Deep Reinforcement Learning Approach for Adaptive Traffic Routing in Next-gen Networks [1.1586742546971471]
次世代ネットワークは、トラフィックダイナミクスに基づいたネットワーク構成を自動化し、適応的に調整する必要がある。交通政策を決定する伝統的な手法は、通常は手作りのプログラミング最適化とアルゴリズムに基づいている。我々は適応的なトラフィックルーティングのための深層強化学習(DRL)アプローチを開発する。
論文参考訳（メタデータ） (2024-02-07T01:48:29Z)
Eco-Driving Control of Connected and Automated Vehicles using Neural Network based Rollout [0.0]
接続された自動運転車は、エネルギー消費を最小化する可能性がある。既存の決定論的手法は、一般に高い計算とメモリ要求に悩まされる。本研究ではニューラルネットワークを介して実装された階層型マルチ水平最適化フレームワークを提案する。
論文参考訳（メタデータ） (2023-10-16T23:13:51Z)
Neural Bee Colony Optimization: A Case Study in Public Transit Network Design [11.490474551585217]
我々は、個々のトランジットルートの単発計画を実行するためにニューラルネットワークポリシーをトレーニングし、修正されたBee Colony Optimization(BCO)メタヒューリスティックアルゴリズムにいくつかのサブヒューリスティックの1つとして組み込む。実験の結果,このハイブリッドアルゴリズムは,学習ポリシーを最大20%,BCOアルゴリズムを最大53%,現実的な問題を最大53%上回る結果を得た。
論文参考訳（メタデータ） (2023-05-18T17:48:46Z)
Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
論文参考訳（メタデータ） (2023-01-20T17:06:34Z)
Fast and computationally efficient generative adversarial network algorithm for unmanned aerial vehicle-based network coverage optimization [1.2853186701496802]
移動ネットワークにおける動的な交通需要の課題は、無人航空機をベースとした移動セルに対処されている。将来,無人航空機の膨大な可能性を考えると,カバー範囲最適化のための新しいアルゴリズムを提案する。提案アルゴリズムは,一意の多層和プーリング損失関数を持つ条件付き生成逆ニューラルネットワークに基づいて実装された。
論文参考訳（メタデータ） (2022-03-25T12:13:21Z)
Cooperative Behavioral Planning for Automated Driving using Graph Neural Networks [0.5801044612920815]
本研究は,複数の車両を共同で計画することで,都市交差点における交通流の最適化に機械学習アルゴリズムを活用することを提案する。学習に基づく行動計画にはいくつかの課題が伴い、適切な入力と出力の表現と大量の基幹データを要求する。自動運転における意思決定のためのオープンソースのシミュレーション環境において,提案手法を訓練し,評価する。
論文参考訳（メタデータ） (2022-02-23T09:36:15Z)
Neural Optimal Transport [82.2689844201373]
本稿では、最適な輸送マップを計算し、強力で弱い輸送コストを計画するニューラルネットベースの新しいアルゴリズムを提案する。ニューラルネットワークが確率分布間の輸送計画の普遍的近似であることを示す。
論文参考訳（メタデータ） (2022-01-28T16:24:13Z)
Learning Optimal Antenna Tilt Control Policies: A Contextual Linear Bandit Approach [65.27783264330711]
セルラーネットワークにおけるアンテナ傾きの制御は、ネットワークのカバレッジとキャパシティの間の効率的なトレードオフに到達するために不可欠である。既存のデータから最適な傾き制御ポリシーを学習するアルゴリズムを考案する。従来のルールベースの学習アルゴリズムよりもはるかに少ないデータサンプルを用いて最適な傾き更新ポリシーを作成できることを示す。
論文参考訳（メタデータ） (2022-01-06T18:24:30Z)
Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
論文参考訳（メタデータ） (2021-08-25T18:24:34Z)
Meta-Reinforcement Learning for Trajectory Design in Wireless UAV Networks [151.65541208130995]
ドローン基地局(DBS)は、要求が動的で予測不可能な地上ユーザーへのアップリンク接続を提供するために派遣される。この場合、DBSの軌道は動的ユーザアクセス要求を満たすように適応的に調整されなければならない。新たな環境に遭遇したDBSの軌道に適応するために,メタラーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-05-25T20:43:59Z)

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。