論文の概要: A Genetic Algorithm for Multi-Capacity Fixed-Charge Flow Network Design

• arxiv url: http://arxiv.org/abs/2411.05798v1
• Date: Sat, 26 Oct 2024 03:50:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-17 09:02:18.262819
• Title: A Genetic Algorithm for Multi-Capacity Fixed-Charge Flow Network Design
• Title（参考訳）: 多容量固定形潮流ネットワーク設計のための遺伝的アルゴリズム
• Authors: Caleb Eardley, Dalton Gomez, Ryan Dupuis, Michael Papadopoulos, Sean Yaw,
• Abstract要約: MC-FCNF問題は、インフラ設計、輸送、電気通信、サプライチェーン管理など、多くの分野で自然発生している。 本稿では,MC-FCNF問題に対して,高速に高品質な流れ解を求める遺伝的アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The Multi-Capacity Fixed-Charge Network Flow (MC-FCNF) problem, a generalization of the Fixed-Charge Network Flow problem, aims to assign capacities to edges in a flow network such that a target amount of flow can be hosted at minimum cost. The cost model for both problems dictates that the fixed cost of an edge is incurred for any non-zero amount of flow hosted by that edge. This problem naturally arises in many areas including infrastructure design, transportation, telecommunications, and supply chain management. The MC-FCNF problem is NP-Hard, so solving large instances using exact techniques is impractical. This paper presents a genetic algorithm designed to quickly find high-quality flow solutions to the MC-FCNF problem. The genetic algorithm uses a novel solution representation scheme that eliminates the need to repair invalid flow solutions, which is an issue common to many other genetic algorithms for the MC-FCNF problem. The genetic algorithm's efficiency is displayed with an evaluation using real-world CO2 capture and storage infrastructure design data. The evaluation results highlight the genetic algorithm's potential for solving large-scale network design problems.
• Abstract（参考訳）: 固定電荷ネットワークフロー問題の一般化であるMC-FCNF問題(Multi-Capacity Fixed-Charge Network Flow)は,フローネットワーク内のエッジに容量を割り当てることを目的とする。 両問題のコストモデルは、エッジがホストする非ゼロのフローに対して、エッジの固定コストが引き起こされることを規定する。 この問題は、インフラ設計、輸送、電気通信、サプライチェーン管理など、多くの分野で自然発生している。 MC-FCNF問題はNP-Hardであるため、正確な手法で大規模インスタンスを解くことは現実的ではない。 本稿では,MC-FCNF問題に対して,高速に高品質な流れ解を求める遺伝的アルゴリズムを提案する。 遺伝的アルゴリズムは、MC-FCNF問題において、他の多くの遺伝的アルゴリズムに共通する問題である、無効なフローソリューションの修復を不要とする、新しい解表現スキームを使用している。 実世界のCO2キャプチャとストレージインフラストラクチャ設計データを用いて、遺伝的アルゴリズムの効率を評価して表示する。 評価結果は,大規模なネットワーク設計問題を解決する遺伝的アルゴリズムの可能性を強調した。

関連論文リスト

• Learning to Solve Combinatorial Optimization under Positive Linear Constraints via Non-Autoregressive Neural Networks [103.78912399195005]
  組合せ最適化(英: Combinatorial Optimization、CO)は、計算機科学、応用数学などにおける基本的な問題である。 本稿では, 正線形制約下でのCO問題の解法として, 非自己回帰ニューラルネットワーク群を設計する。 本研究では,施設位置,最大被覆率,旅行セールスマン問題を含む代表的CO問題の解決において,この枠組みの有効性を検証する。
  論文  参考訳（メタデータ） (2024-09-06T14:58:31Z)
• Beyond the Neural Fog: Interpretable Learning for AC Optimal Power Flow [0.0]
  AC最適電力流(AC-OPF)問題は、電力系統の運用には不可欠である。 本稿では,単純化と解釈性を融合したニューラルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-30T14:38:43Z)
• QCQP-Net: Reliably Learning Feasible Alternating Current Optimal Power Flow Solutions Under Constraints [4.1920378271058425]
  本稿では,ACOPFネットワークに計算効率よく入力をマッピングする新しい計算学習ACOPFを提案する。 提案手法は,既存のアプローチが失敗する状況において,優れた実現可能性率とコストを達成できることをシミュレーションにより示す。
  論文  参考訳（メタデータ） (2024-01-11T20:17:44Z)
• Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets [86.43523688236077]
  組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。 GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。 本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
  論文  参考訳（メタデータ） (2023-05-26T15:13:09Z)
• Taming Hyperparameter Tuning in Continuous Normalizing Flows Using the JKO Scheme [60.79981399724534]
  正規化フロー (NF) は、選択された確率分布を正規分布に変換する写像である。 OTベースのCNFを$alpha$をチューニングすることなく解くアルゴリズムであるJKO-Flowを提案する。
  論文  参考訳（メタデータ） (2022-11-30T05:53:21Z)
• Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
  グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。 シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:30:09Z)
• Graph Neural Modeling of Network Flows [6.199818486385127]
  Per-Edge Weights (PEW) と呼ばれるネットワークフロー問題に対する新しいグラフ学習アーキテクチャを提案する。 PEWはグラフアテンションネットワーク上に構築され、各リンクに沿って明確にパラメータ化されたメッセージ関数を使用する。 PEWはグローバルメッセージ関数を制約するルーティング方式よりもかなりの利得が得られることを示す。
  論文  参考訳（メタデータ） (2022-09-12T12:45:45Z)
• Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
  クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。 本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。 ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
  論文  参考訳（メタデータ） (2021-12-03T14:23:05Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• Graph Neural Networks for Scalable Radio Resource Management: Architecture Design and Theoretical Analysis [31.372548374969387]
  本稿では,大規模無線資源管理問題にグラフニューラルネットワーク(GNN)を適用することを提案する。 提案手法はスケーラビリティが高く,1つのGPU上で1,000ドルのトランシーバペアを6ミリ秒以内で行う干渉チャネルにおけるビームフォーミング問題を解くことができる。
  論文  参考訳（メタデータ） (2020-07-15T11:43:32Z)

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。