Fugu-MT 論文翻訳(概要): Parallelizing Multi-objective A* Search

論文の概要: Parallelizing Multi-objective A* Search

arxiv url: http://arxiv.org/abs/2503.10075v1
Date: Thu, 13 Mar 2025 05:43:49 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-14 15:53:25.606077
Title: Parallelizing Multi-objective A* Search
Title（参考訳）: 多目的A*探索の並列化
Authors: Saman Ahmadi, Nathan R. Sturtevant, Andrea Raith, Daniel Harabor, Mahdi Jalili,
Abstract要約: マルチオブジェクト・ショート・パス(MOSP)問題は古典的なネットワーク最適化問題である。 A* (MOA*) を用いた多目的探索の最近の研究は, 難解なMOSPインスタンスの解法において, 優れた性能を示した。本稿では,MOA*を目的の異なる順序で効率的に並列化できる新しい検索フレームワークを提案する。
参考スコア（独自算出の注目度）: 20.505862615134674
License:
Abstract: The Multi-objective Shortest Path (MOSP) problem is a classic network optimization problem that aims to find all Pareto-optimal paths between two points in a graph with multiple edge costs. Recent studies on multi-objective search with A* (MOA*) have demonstrated superior performance in solving difficult MOSP instances. This paper presents a novel search framework that allows efficient parallelization of MOA* with different objective orders. The framework incorporates a unique upper bounding strategy that helps the search reduce the problem's dimensionality to one in certain cases. Experimental results demonstrate that the proposed framework can enhance the performance of recent A*-based solutions, with the speed-up proportional to the problem dimension.
Abstract（参考訳）: マルチオブジェクト・ショート・パス(MOSP)問題は、複数のエッジコストを持つグラフの2点間の全てのパレート最適パスを見つけることを目的とした古典的なネットワーク最適化問題である。 A* (MOA*) を用いた多目的探索の最近の研究は, 難解なMOSPインスタンスの解法において, 優れた性能を示した。本稿では,MOA*を目的の異なる順序で効率的に並列化できる新しい検索フレームワークを提案する。このフレームワークには独自の上界戦略が組み込まれており、ある場合には問題の次元を1つに減らすのに役立つ。実験の結果,提案手法は問題次元に比例して,最近のA*ソリューションの性能を向上させることができることがわかった。

関連論文リスト

OPMOS: Ordered Parallel Multi-Objective Shortest-Path [0.7864304771129751]
MOS(Multi-Objective Shortest-Path)問題は、スタートノードからマルチ属性グラフの宛先ノードへのパレート最適解の集合を見つける。一般化されたMOSアルゴリズムは、各ノードで部分経路の「フロンティア」を維持し、順序付けられた処理を実行する。ここで提案されているOPMOSフレームワークは、順序付けられた並列性を解放し、MOS内の複数のパスの同時実行を効率的に活用する。
論文参考訳（メタデータ） (2024-11-25T18:53:49Z)
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)
UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
論文参考訳（メタデータ） (2024-05-01T09:34:42Z)
Real-Time Image Segmentation via Hybrid Convolutional-Transformer Architecture Search [49.81353382211113]
マルチヘッド自己認識を高分解能表現CNNに効率的に組み込むという課題に対処する。本稿では,高解像度機能の利点をフル活用したマルチターゲットマルチブランチ・スーパーネット手法を提案する。本稿では,Hybrid Convolutional-Transformer Architecture Search (HyCTAS)法を用いて,軽量畳み込み層とメモリ効率のよい自己保持層を最適に組み合わせたモデルを提案する。
論文参考訳（メタデータ） (2024-03-15T15:47:54Z)
MOLE: Digging Tunnels Through Multimodal Multi-Objective Landscapes [0.0]
局所的に効率的な(LE)集合は、しばしば局所探索のトラップと見なされるが、決定空間において孤立されることは滅多にない。 Multi-Objective Gradient Sliding Algorithm (MOGSA)は、これらの重ね合わせを利用するアルゴリズムの概念である。我々は,MMMOO問題におけるLE集合を効率的にモデル化し,活用できる新しいアルゴリズムであるMulti-Objective Landscape Explorer (MOLE)を提案する。
論文参考訳（メタデータ） (2022-04-22T17:54:54Z)
Pareto Set Learning for Neural Multi-objective Combinatorial Optimization [6.091096843566857]
多目的最適化(MOCO)の問題は、現実世界の多くのアプリケーションで見られる。我々は,与えられたMOCO問題に対するパレート集合全体を,探索手順を伴わずに近似する学習ベースアプローチを開発した。提案手法は,多目的走行セールスマン問題,マルチコンディショニング車両ルーティング問題,複数クナップサック問題において,ソリューションの品質,速度,モデル効率の面で,他の方法よりも優れていた。
論文参考訳（メタデータ） (2022-03-29T09:26:22Z)
Multi-objective Conflict-based Search for Multi-agent Path Finding [10.354181009277623]
マルチオブジェクトパスプランナーは通常、パスの長さなどの単一の目的を最適化しながら、パスのアンサンブルを計算します。本稿では、マルチオブジェクトコンフリクトベース検索(MO-CBS)という、いわゆる次元の呪いをバイパスする手法を紹介します。
論文参考訳（メタデータ） (2021-01-11T10:42:38Z)
Follow the bisector: a simple method for multi-objective optimization [65.83318707752385]
複数の異なる損失を最小化しなければならない最適化問題を考える。提案手法は、各イテレーションにおける降下方向を計算し、目的関数の相対的減少を等しく保証する。
論文参考訳（メタデータ） (2020-07-14T09:50:33Z)
Taxonomy of Dual Block-Coordinate Ascent Methods for Discrete Energy Minimization [96.1052289276254]
離散的グラフィカルモデルにおける最大姿勢推定問題と、二重ブロック座標法に基づく解法について考察する。既存のすべてのソルバをひとつのフレームワークにマッピングし、設計原則をより深く理解できるようにします。
論文参考訳（メタデータ） (2020-04-16T15:49:13Z)
Pareto Multi-Task Learning [53.90732663046125]
マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
論文参考訳（メタデータ） (2019-12-30T08:58:40Z)

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。