論文の概要: A Multi-constraint and Multi-objective Allocation Model for Emergency Rescue in IoT Environment
- arxiv url: http://arxiv.org/abs/2403.10299v1
- Date: Fri, 15 Mar 2024 13:42:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 17:01:25.289611
- Title: A Multi-constraint and Multi-objective Allocation Model for Emergency Rescue in IoT Environment
- Title(参考訳): IoT環境における緊急救助のための多制約多目的配置モデル
- Authors: Xinrun Xu, Zhanbiao Lian, Yurong Wu, Manying Lv, Zhiming Ding, Jian Yan, Shang Jiang,
- Abstract要約: 我々はMSGWFLM(Multi-Objective Shuffled Gray Froging Model)を開発した。
この多目的リソース割り当てモデルは、28の多様な課題に対して厳格にテストされている。
その効果は複雑で多サイクルの緊急救助シナリオで特に顕著である。
- 参考スコア(独自算出の注目度): 3.8572535126902676
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Emergency relief operations are essential in disaster aftermaths, necessitating effective resource allocation to minimize negative impacts and maximize benefits. In prolonged crises or extensive disasters, a systematic, multi-cycle approach is key for timely and informed decision-making. Leveraging advancements in IoT and spatio-temporal data analytics, we've developed the Multi-Objective Shuffled Gray-Wolf Frog Leaping Model (MSGW-FLM). This multi-constraint, multi-objective resource allocation model has been rigorously tested against 28 diverse challenges, showing superior performance in comparison to established models such as NSGA-II, IBEA, and MOEA/D. MSGW-FLM's effectiveness is particularly notable in complex, multi-cycle emergency rescue scenarios, which involve numerous constraints and objectives. This model represents a significant step forward in optimizing resource distribution in emergency response situations.
- Abstract(参考訳): 災害後の緊急救助活動は、負の影響を最小限に抑え、利益を最大化するために、効果的な資源配分を必要とする。
長期にわたる危機や大規模な災害では、タイムリーかつインフォームドな意思決定のために、システマティックで多サイクルなアプローチが鍵となる。
IoTと時空間データ分析の進歩を活用して、Multi-Objective Shuffled Gray-Wolf Frog Leaping Model (MSGW-FLM)を開発した。
この多制約・多目的資源割り当てモデルは,NSGA-II, IBEA, MOEA/Dなどの確立したモデルと比較して,28の課題に対して厳格に検証されている。
MSGW-FLMの有効性は、多くの制約や目的を含む複雑な多サイクル緊急救助シナリオにおいて特に顕著である。
このモデルは、緊急対応状況における資源分布の最適化における重要な一歩である。
関連論文リスト
- Learn from Downstream and Be Yourself in Multimodal Large Language Model Fine-Tuning [104.27224674122313]
微調整MLLMは、特定の下流タスクのパフォーマンスを改善するための一般的なプラクティスとなっている。
一般化と特殊化のトレードオフのバランスをとるために,事前学習と微調整の両方におけるパラメータの重要度を測定することを提案する。
論文 参考訳(メタデータ) (2024-11-17T01:16:37Z) - Characterization of Large Language Model Development in the Datacenter [55.9909258342639]
大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。
しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。
我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
論文 参考訳(メタデータ) (2024-03-12T13:31:14Z) - Rewards-in-Context: Multi-objective Alignment of Foundation Models with Dynamic Preference Adjustment [46.44464839353993]
リワード・イン・コンテキスト(Rewards-in-Context, RiC)を導入する。
RiCは単一のファンデーションモデルの教師付き微調整のみを必要とし、推論時間中にユーザの好みを動的に調整する。
論文 参考訳(メタデータ) (2024-02-15T18:58:31Z) - DREAM: Decentralized Reinforcement Learning for Exploration and
Efficient Energy Management in Multi-Robot Systems [14.266876062352424]
資源制約されたロボットは、しばしばエネルギー不足、不適切なタスク割り当てによる計算能力の不足、動的環境における堅牢性の欠如に悩まされる。
本稿では,マルチロボットシステムにおける探索と効率的なエネルギー管理のための分散強化学習DREAMを紹介する。
論文 参考訳(メタデータ) (2023-09-29T17:43:41Z) - Proactive Resource Request for Disaster Response: A Deep Learning-based
Optimization Model [0.2580765958706854]
我々は,要求される資源の最適量を積極的に決定する新たな資源管理問題を開発する。
我々は,問題の健全な特性を考慮に入れ,今後の需要予測のための新しいディープラーニング手法を開発した。
実世界とシミュレーションデータの両方を用いて,既存手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-07-31T13:44:01Z) - Reparameterized Policy Learning for Multimodal Trajectory Optimization [61.13228961771765]
本研究では,高次元連続行動空間における強化学習のためのパラメータ化政策の課題について検討する。
本稿では,連続RLポリシーを最適軌道の生成モデルとしてモデル化する原理的フレームワークを提案する。
本稿では,マルチモーダルポリシーパラメータ化と学習世界モデルを活用した実用的モデルベースRL手法を提案する。
論文 参考訳(メタデータ) (2023-07-20T09:05:46Z) - Optimal scheduling of island integrated energy systems considering
multi-uncertainties and hydrothermal simultaneous transmission: A deep
reinforcement learning approach [3.900623554490941]
電力や負荷による不確実性は、島々の様々な資源の安定的な需要供給に困難をもたらしている。
これらの課題に対処するため、島統合エネルギーシステム(IES)をモデル化した総合的なスケジューリングフレームワークを提案する。
島の淡水不足に対応するため, 海水淡水化システムの導入に加えて, 水熱同時送信(HST)の伝達構造を提案する。
論文 参考訳(メタデータ) (2022-12-27T12:46:25Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z) - Quantifying the multi-objective cost of uncertainty [19.69347219334526]
複雑な不確実性システムに対する客観的な不確実性定量化に使用できる平均的多目的不確実性コスト (multi-jective MOCU) の概念を提案する。
哺乳類の細胞周期ネットワークに基づく実世界の実例を示し、モデル不確実性の操作的影響の定量化に多目的MOCUをどのように利用できるかを示す。
論文 参考訳(メタデータ) (2020-10-07T22:35:02Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T12:38:21Z)
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。