論文の概要: A RankNet-Inspired Surrogate-Assisted Hybrid Metaheuristic for Expensive Coverage Optimization

• arxiv url: http://arxiv.org/abs/2501.07375v1
• Date: Mon, 13 Jan 2025 14:49:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:28:03.765595
• Title: A RankNet-Inspired Surrogate-Assisted Hybrid Metaheuristic for Expensive Coverage Optimization
• Title（参考訳）: RankNetをベースとしたサーロゲート型ハイブリッドメタヒューリスティックによる包絡最適化
• Authors: Tongyu Wu, Changhao Miao, Yuntian Zhang, Chen Chen,
• Abstract要約: RankNet-Inspired Surrogate-assisted Hybrid Metaheuristic (RI-SHM)を提案する。 提案アルゴリズムは,最大300次元の大規模カバレッジ最適化タスクを,望ましくは1,800以上の目標を効果的に処理できる。 EMVOPの最先端アルゴリズムと比較すると、RI-SHMは全てのテストインスタンスで56.5ドル%まで性能が向上している。
• 参考スコア（独自算出の注目度）: 3.470566170862975
• License:
• Abstract: Coverage optimization generally involves deploying a set of facilities (e.g., sensors) to best satisfy the demands of specified points, with wide applications in fields such as location science and sensor networks. In practical applications, coverage optimization focuses on target coverage, which is typically formulated as Mixed-Variable Optimization Problems (MVOPs) due to complex real-world constraints. Meanwhile, high-fidelity discretization and visibility analysis may bring additional calculations, which significantly increases the computational cost. These factors pose significant challenges for fitness evaluations (FEs) in canonical Evolutionary Algorithms (EAs), and evolve the coverage problem into an Expensive Mixed-Variable Optimization Problem (EMVOP). To address these issues, we propose the RankNet-Inspired Surrogate-assisted Hybrid Metaheuristic (RI-SHM), an extension of our previous work. RI-SHM integrates three key components: (1) a RankNet-based pairwise global surrogate that innovatively predicts rankings between pairs of individuals, bypassing the challenges of fitness estimation in discontinuous solution space; (2) a surrogate-assisted local Estimation of Distribution Algorithm (EDA) that enhances local exploitation and helps escape from local optima; and (3) a fitness diversity-driven switching strategy that dynamically balances exploration and exploitation. Experiments demonstrate that our algorithm can effectively handle large-scale coverage optimization tasks of up to 300 dimensions and more than 1,800 targets within desirable runtime. Compared to state-of-the-art algorithms for EMVOPs, RI-SHM consistently outperforms them by up to 56.5$\%$ across all tested instances.
• Abstract（参考訳）: 被覆最適化は通常、特定の点の要求を最大限に満たすための一連の施設(例えばセンサー)を配置し、位置科学やセンサーネットワークなどの分野に広く応用する。 現実的な応用において、カバレッジ最適化は、複雑な実世界の制約のため、一般的には混合変数最適化問題(MVOP)として定式化される対象カバレッジに焦点を当てる。 一方、高忠実度離散化と可視性解析はさらなる計算をもたらし、計算コストが大幅に増加する可能性がある。 これらの要因は、標準進化アルゴリズム (EA) における適合度評価 (FE) に重大な課題を生じさせ、カバー問題をEMVOP (Expensive Mixed-Variable Optimization Problem) へと進化させる。 これらの課題に対処するため、我々はRangeNet-Inspired Surrogate-assisted Hybrid Metaheuristic (RI-SHM)を提案する。 RI-SHMは,(1)不連続解空間における適合度推定の課題を回避し,一対の個人間のランキングを革新的に予測するRandNetベースのペアワイドグローバルサロゲート,(2)局所的利用を高め,局所的最適から逃れるための分布アルゴリズム(EDA)のサロゲート支援ローカル推定,(3)動的に探索と搾取のバランスをとるフィットネス多様性駆動スイッチング戦略の3つの重要な構成要素を統合した。 実験の結果,提案アルゴリズムは,最大300次元の大規模カバレッジ最適化タスクを望ましいランタイム内で効果的に処理できることが確認された。 EMVOPの最先端アルゴリズムと比較すると、RI-SHMは全てのテストインスタンスで56.5$\%以上のパフォーマンスを保っている。

関連論文リスト

• Optimistic ε-Greedy Exploration for Cooperative Multi-Agent Reinforcement Learning [16.049852176246038]
  評価値推定の精度向上に着目したオプティスティックな$epsilon$-Greedy Explorationを提案する。 本研究では,探索中の最適動作とサンプル動作を推定するための楽観的な更新ネットワークを導入し,探索中に$epsilon$の確率で分布からサンプル動作を抽出する。 様々な環境での実験結果から、Optimistic $epsilon$-Greedy Explorationはアルゴリズムが最適以下の解を効果的に阻止することを示した。
  論文  参考訳（メタデータ） (2025-02-05T12:06:54Z)
• CVaR-Based Variational Quantum Optimization for User Association in Handoff-Aware Vehicular Networks [23.140655547353994]
  本稿では、車両ネットワーク(VNet)における一般化代入問題(GAP)に対処するための、CVaRに基づく変動量子固有解法(VQE)フレームワークを提案する。 提案手法は, 目的と制約固有のペナルティのバランスを保ち, 解の質と安定性を向上させるために, 調整されたコスト関数を統合するハイブリッド量子古典構造を利用する。 本稿では,この枠組みを,ディープニューラルネットワーク(DNN)アプローチと比較して23.5%改善したVNetのユーザ連想問題に適用する。
  論文  参考訳（メタデータ） (2025-01-14T20:21:06Z)
• Distributed genetic algorithm for application placement in the compute continuum leveraging infrastructure nodes for optimization [1.3723120574076126]
  フォグコンピューティングにおける資源最適化のための遺伝的アルゴリズム(GA)の3つの分散設計について述べる。 その結果,分散度が低い設計では従来の手法に匹敵するソリューション品質が得られるが,高いネットワーク負荷が生じることがわかった。
  論文  参考訳（メタデータ） (2024-06-13T09:58:21Z)
• Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
  エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。 ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。 提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-10T00:21:10Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• A hybrid level-based learning swarm algorithm with mutation operator for solving large-scale cardinality-constrained portfolio optimization problems [0.0]
  本稿では,大規模ポートフォリオ最適化問題の解法として,LLSO(Level-based Learning Swarm)のハイブリッド版を提案する。 我々のゴールは、基数、ボックス、予算の制約を受けるシャープ比の修正式を最大化することです。 このアルゴリズムでは、プロジェクション演算子がこれら3つの制約を同時に処理し、再バランス制約によりトランザクションコストを暗黙的に制御する。
  論文  参考訳（メタデータ） (2022-06-29T16:45:37Z)
• Coverage and Capacity Optimization in STAR-RISs Assisted Networks: A Machine Learning Approach [102.00221938474344]
  再構成可能なインテリジェントサーフェス (STAR-RIS) アシストネットワークを同時に送信および反射するカバレッジとキャパシティ最適化のための新しいモデルを提案する。 損失関数ベースの更新戦略はコアポイントであり、各更新時にmin-normソルバによってカバレッジとキャパシティの両方の損失関数の重みを計算することができる。 解析結果から,提案手法は固定重みに基づくMOアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T13:52:22Z)
• Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and Stability [67.8426046908398]
  汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。 本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
  論文  参考訳（メタデータ） (2022-04-08T20:46:16Z)
• GPSAF: A Generalized Probabilistic Surrogate-Assisted Framework for Constrained Single- and Multi-objective Optimization [7.8140593450932965]
  本稿では,一般確率的サロゲート支援フレームワーク(GPSAF)を提案する。 GPSAFは、制約のない、制約のない、単目的および多目的最適化アルゴリズムの幅広いカテゴリに適用できる。
  論文  参考訳（メタデータ） (2022-04-06T13:22:30Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in Edge Industrial IoT [106.83952081124195]
  強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。 本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。 実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
  論文  参考訳（メタデータ） (2021-06-30T16:49:07Z)

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。