Fugu-MT 論文翻訳(概要): Surrogate Assisted Monte Carlo Tree Search in Combinatorial Optimization

論文の概要: Surrogate Assisted Monte Carlo Tree Search in Combinatorial Optimization

arxiv url: http://arxiv.org/abs/2403.09925v1
Date: Thu, 14 Mar 2024 23:54:19 GMT
ステータス: 処理完了
システム内更新日: 2024-03-18 20:56:05.871186
Title: Surrogate Assisted Monte Carlo Tree Search in Combinatorial Optimization
Title（参考訳）: 組合せ最適化におけるサロゲート支援モンテカルロ木探索
Authors: Saeid Amiri, Parisa Zehtabi, Danial Dervovic, Michael Cashmore,
Abstract要約: 我々は,モンテカルロ木探索(MCTS)をサロゲートモデルで支援し,評価を高速化する。その結果,高速サロゲート関数がサポートするMCTSは,一貫した解を維持しながら解を高速に生成できることが示唆された。
参考スコア（独自算出の注目度）: 4.217343824099138
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Industries frequently adjust their facilities network by opening new branches in promising areas and closing branches in areas where they expect low profits. In this paper, we examine a particular class of facility location problems. Our objective is to minimize the loss of sales resulting from the removal of several retail stores. However, estimating sales accurately is expensive and time-consuming. To overcome this challenge, we leverage Monte Carlo Tree Search (MCTS) assisted by a surrogate model that computes evaluations faster. Results suggest that MCTS supported by a fast surrogate function can generate solutions faster while maintaining a consistent solution compared to MCTS that does not benefit from the surrogate function.
Abstract（参考訳）: 産業は、将来性のある地域に新たな支店を開設し、低利益を期待する地域に支店を閉鎖することで、施設網を調整している。本稿では,特定の施設配置問題について検討する。我々の目標は、いくつかの小売店の撤去による販売損失を最小限にすることである。しかし、正確な売上予測は高価で時間を要する。この課題を克服するために,我々はモンテカルロ木探索(MCTS)をサロゲートモデルで支援し,評価を高速化する。その結果,高速な代理関数で支えられたMCTSは,サロゲート関数の恩恵を受けないMCTSと比較して,一貫した解を維持しながら解を高速に生成できることが示唆された。

関連論文リスト

LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
論文参考訳（メタデータ） (2024-10-03T18:12:29Z)
MAgICoRe: Multi-Agent, Iterative, Coarse-to-Fine Refinement for Reasoning [60.55556283848063]
大規模言語モデル(LLM)推論は、テストタイムアグリゲーション戦略、すなわち、複数のサンプルを生成し、生成されたサンプル間で投票することで改善することができる。 Refinementは、LLM生成したフィードバックを使ってソリューションの品質を改善する方法を提供する。本稿では,問題の難易度を,難易度や難易度に分類することで,過度な改善を回避するMagICoReを提案する。
論文参考訳（メタデータ） (2024-09-18T17:12:41Z)
LiteSearch: Efficacious Tree Search for LLM [70.29796112457662]
本研究では,動的ノード選択とノードレベルの探索予算を備えた新しいガイド付き木探索アルゴリズムを提案する。 GSM8KおよびTabMWPデータセットを用いて行った実験により,本手法はベースライン法に比べて計算コストが大幅に低いことを示した。
論文参考訳（メタデータ） (2024-06-29T05:14:04Z)
Amplifying Exploration in Monte-Carlo Tree Search by Focusing on the Unknown [19.664506834858244]
モンテカルロ木探索(MCTS)は、探索木の有望なセグメントに焦点を合わせるために、戦略的に計算資源を割り当てる。提案手法はAmEx-MCTSと呼ばれ,新しいMCTSの定式化を導入することでこの問題を解決する。実験による評価は,AMEx-MCTSの優れた性能を示し,従来のMCTSと関連するアプローチを実質的なマージンで上回っている。
論文参考訳（メタデータ） (2024-02-13T15:05:54Z)
SQLNet: Scale-Modulated Query and Localization Network for Few-Shot Class-Agnostic Counting [71.38754976584009]
CAC(class-agnostic counting)タスクは、最近、任意のクラスの全てのオブジェクトを、入力画像にいくつかの例を付与してカウントする問題を解くために提案されている。我々は、スケール変調クエリーおよびローカライズネットワーク(Net)と呼ばれる、新しいローカライズベースのCACアプローチを提案する。クエリとローカライゼーションの段階において、模範者のスケールを完全に探求し、各オブジェクトを正確に位置付けし、その近似サイズを予測することで、効果的なカウントを実現している。
論文参考訳（メタデータ） (2023-11-16T16:50:56Z)
Monte-Carlo Tree Search for Multi-Agent Pathfinding: Preliminary Results [60.4817465598352]
マルチエージェントパスフィンディングに適したモンテカルロ木探索(MCTS)のオリジナル版を紹介する。具体的には,エージェントの目標達成行動を支援するために,個別の経路を用いる。また,木探索手順の分岐係数を低減するために,専用の分解手法を用いる。
論文参考訳（メタデータ） (2023-07-25T12:33:53Z)
Monte-Carlo Tree-Search for Leveraging Performance of Blackbox Job-Shop Scheduling Heuristics [1.3764085113103217]
製造では、しばしば既製の製造ラインで生産される。我々は、ブラックボックスのジョブショップシステムと、ブラックボックスのジョブショップのジョブを所定の順にスケジュールする未知のスケジューリングシステムによる、そのような設定について検討する。ここでは、ジョブは、置換の所定の順序でジョブショップに入る必要があるが、ブラックボックスに依存するジョブショップ内で異なる経路を取る可能性がある。
論文参考訳（メタデータ） (2022-12-14T23:01:53Z)
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)
Location-Routing Planning for Last-Mile Deliveries Using Mobile Parcel Lockers: A Hybrid Q-Learning Network Approach [1.856181262236876]
本研究はモバイルパーセルロッカー問題(MPLP)を定式化する。 MPLPは、一日を通してMPLの最適な停止場所を決定し、対応する配送ルートを計画する。 Q-Learning-Network-based Method (HQM) を開発した。
論文参考訳（メタデータ） (2022-09-09T11:59:42Z)
Lookback for Learning to Branch [77.32867454769936]
Bipartite Graph Neural Networks (GNN) は、ディープラーニングに基づくMixed-Integer Linear Program (MILP) の重要コンポーネントであることが示されている。近年の研究では、分岐とバウンド(B&B)の解法における分岐(可変選択)を置き換える上で、そのようなGNNの有効性が実証されている。
論文参考訳（メタデータ） (2022-06-30T02:33:32Z)
Location-routing Optimisation for Urban Logistics Using Mobile Parcel Locker Based on Hybrid Q-Learning Algorithm [0.0]
パーセルロッカー(MPL)は、交通渋滞と運用コストを低減する手段として、都市物流事業者によって導入されている。本稿では,MPLのロケーションルーティング問題を解くための整数プログラミングモデルを提案する。
論文参考訳（メタデータ） (2021-10-29T01:27:12Z)

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。