論文の概要: Parallel multi-objective metaheuristics for smart communications in vehicular networks
- arxiv url: http://arxiv.org/abs/2501.09725v1
- Date: Thu, 16 Jan 2025 18:16:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-17 15:11:48.639849
- Title: Parallel multi-objective metaheuristics for smart communications in vehicular networks
- Title（参考訳）: 車両ネットワークにおけるスマート通信のための並列多目的メタヒューリスティック
- Authors: Jamal Toutouh, Enrique Alba,
- Abstract要約: 本稿では,車載ネットワーク用のAdhoc On Demand Vectorルーティングプロトコルの高品質設定を自動的に検索する2つの並列多目的ソフトコンピューティングアルゴリズムについて分析する。
実験により、最適化アルゴリズムによって計算された構成が、他の最先端の最適化構成よりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 2.6273514225715435
- License:
- Abstract: This article analyzes the use of two parallel multi-objective soft computing algorithms to automatically search for high-quality settings of the Ad hoc On Demand Vector routing protocol for vehicular networks. These methods are based on an evolutionary algorithm and on a swarm intelligence approach. The experimental analysis demonstrates that the configurations computed by our optimization algorithms outperform other state-of-the-art optimized ones. In turn, the computational efficiency achieved by all the parallel versions is greater than 87 %. Therefore, the line of work presented in this article represents an efficient framework to improve vehicular communications.
- Abstract（参考訳）: 本稿では,車載ネットワーク用のAdhoc On Demand Vectorルーティングプロトコルの高品質設定を自動的に検索する2つの並列多目的ソフトコンピューティングアルゴリズムについて分析する。
これらの手法は進化的アルゴリズムと群知性アプローチに基づいている。
実験により、最適化アルゴリズムによって計算された構成が、他の最先端の最適化構成よりも優れていることが示された。
逆に、全ての並列バージョンによって達成される計算効率は87パーセント以上である。
そこで本論文では,車体通信を改善するための効率的な枠組みについて述べる。
関連論文リスト
- Infrastructure Deployment in Vehicular Communication Networks Using a Parallel Multiobjective Evolutionary Algorithm [2.139920754848169]
本稿では,実際の都市部における車両通信ネットワークのための道路側インフラの配置のための多目的進化アルゴリズムの適用について述べる。
サービス品質とコストの目標を考慮した多目的定式化を導入する。
論文 参考訳（メタデータ） (2025-01-17T07:51:26Z) - R2 Indicator and Deep Reinforcement Learning Enhanced Adaptive Multi-Objective Evolutionary Algorithm [1.8641315013048299]
本稿では,強化学習に基づくエージェントを用いた新しい進化的アルゴリズム構造を提案する。
提案したR2強化学習多目的進化アルゴリズム(R2-RLMOEA)は,R2指標に基づく他の6つの多目的アルゴリズムと比較する。
論文 参考訳（メタデータ） (2024-04-11T23:50:30Z) - Performance Embeddings: A Similarity-based Approach to Automatic
Performance Optimization [71.69092462147292]
パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。
本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
論文 参考訳（メタデータ） (2023-03-14T15:51:35Z) - Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。
基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。
我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文 参考訳（メタデータ） (2022-09-27T17:51:31Z) - On the Convergence of Distributed Stochastic Bilevel Optimization
Algorithms over a Network [55.56019538079826]
バイレベル最適化は、幅広い機械学習モデルに適用されている。
既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。
そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-06-30T05:29:52Z) - 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) - Reinforcement Learning Algorithm for Traffic Steering in Heterogeneous
Network [0.609170287691728]
本稿では,HetNetsにおける新しいトラフィックステアリングアルゴリズムを提案する。
提案アルゴリズムは,ネットワークシミュレーション結果を用いた2つの参照アルゴリズムと比較した。
論文 参考訳（メタデータ） (2021-11-29T23:56:18Z) - A survey on multi-objective hyperparameter optimization algorithms for
Machine Learning [62.997667081978825]
本稿では,多目的HPOアルゴリズムに関する2014年から2020年にかけての文献を体系的に調査する。
メタヒューリスティック・ベース・アルゴリズムとメタモデル・ベース・アルゴリズム,および両者を混合したアプローチを区別する。
また,多目的HPO法と今後の研究方向性を比較するための品質指標についても論じる。
論文 参考訳（メタデータ） (2021-11-23T10:22:30Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z) - Parallelization Techniques for Verifying Neural Networks [52.917845265248744]
検証問題に基づくアルゴリズムを反復的に導入し、2つの分割戦略を探索する。
また、ニューラルネットワークの検証問題を単純化するために、ニューロンアクティベーションフェーズを利用する、高度に並列化可能な前処理アルゴリズムも導入する。
論文 参考訳（メタデータ） (2020-04-17T20:21:47Z)
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。