論文の概要: PGU-SGP: A Pheno-Geno Unified Surrogate Genetic Programming For Real-life Container Terminal Truck Scheduling
- arxiv url: http://arxiv.org/abs/2504.11280v1
- Date: Tue, 15 Apr 2025 15:19:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-16 22:11:33.301090
- Title: PGU-SGP: A Pheno-Geno Unified Surrogate Genetic Programming For Real-life Container Terminal Truck Scheduling
- Title（参考訳）: PGU-SGP:実生活におけるコンテナ終端トラックスケジューリングのための一元的サロゲート遺伝的プログラミング
- Authors: Leshan Tan, Chenwei Jin, Xinan Chen, Rong Qu, Ruibin Bai,
- Abstract要約: 本稿では,代用サンプル選択と適合性予測を強化するために,表現ジェノリック・サロゲートGPアルゴリズムPGU-SGPを提案する。
同じトレーニング時間で、PGU-SGPは従来のGPと最先端のアルゴリズムを多くのデータセットで大幅に上回っている。
- 参考スコア（独自算出の注目度）: 7.678307721780809
- License:
- Abstract: Data-driven genetic programming (GP) has proven highly effective in solving combinatorial optimization problems under dynamic and uncertain environments. A central challenge lies in fast fitness evaluations on large training datasets, especially for complex real-world problems involving time-consuming simulations. Surrogate models, like phenotypic characterization (PC)-based K-nearest neighbors (KNN), have been applied to reduce computational cost. However, the PC-based similarity measure is confined to behavioral characteristics, overlooking genotypic differences, which can limit surrogate quality and impair performance. To address these issues, this paper proposes a pheno-geno unified surrogate GP algorithm, PGU-SGP, integrating phenotypic and genotypic characterization (GC) to enhance surrogate sample selection and fitness prediction. A novel unified similarity metric combining PC and GC distances is proposed, along with an effective and efficient GC representation. Experimental results of a real-life vehicle scheduling problem demonstrate that PGU-SGP reduces training time by approximately 76% while achieving comparable performance to traditional GP. With the same training time, PGU-SGP significantly outperforms traditional GP and the state-of-the-art algorithm on most datasets. Additionally, PGU-SGP shows faster convergence and improved surrogate quality by maintaining accurate fitness rankings and appropriate selection pressure, further validating its effectiveness.
- Abstract（参考訳）: データ駆動型遺伝的プログラミング(GP)は、動的で不確実な環境下での組合せ最適化問題を解くのに非常に効果的であることが証明されている。
主な課題は、大規模なトレーニングデータセットの高速な適合性評価、特に時間のかかるシミュレーションを含む複雑な現実世界の問題である。
表現型特徴量(PC)に基づくK-アレスト隣人(KNN)のような代理モデルは、計算コストを削減するために応用されている。
しかし、PCベースの類似度尺度は、遺伝子型の違いを見越して行動特性に制限されるため、サロゲート品質や性能の低下を抑えることができる。
これらの問題に対処するために,表現型と遺伝子型の特徴付け(GC)を統合した表現型統一サロゲートGPアルゴリズムPGU-SGPを提案する。
PC と GC の距離を組み合わせた新しい統一類似度測定法が提案され,有効かつ効率的な GC 表現が提案されている。
実車スケジューリング問題の実験結果から,PGU-SGPは従来のGPに匹敵する性能を保ちながら,トレーニング時間を約76%短縮することが示された。
同じトレーニング時間で、PGU-SGPは従来のGPと最先端のアルゴリズムを多くのデータセットで大幅に上回っている。
さらに、PGU-SGPは、正確なフィットネスランキングと適切な選択圧力を維持することにより、より高速な収束とサロゲート品質の向上を示し、その効果を検証した。
関連論文リスト
- Sharpness-Aware Minimization for Evolutionary Feature Construction in Regression [11.760077969729055]
本稿では,関数空間におけるシャープネスを意識した最小化法を用いて,ロバストな性能を示す象徴的特徴を発見することを提案する。
58個の実世界の回帰データセットによる実験結果から,本手法は標準的な進化的特徴構造よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-05-11T02:03:11Z) - A Kronecker product accelerated efficient sparse Gaussian Process
(E-SGP) for flow emulation [2.563626165548781]
本稿では,流体力学の代理モデリングのための効率的なスパースガウス法(E-SGP)を提案する。
これは、効率的なGP(E-GP)と変動エネルギーのないガウス過程(VEF-SGP)の概念を組み合わせた近似スパースGPアルゴリズムのさらなる発展である。
論文 参考訳（メタデータ） (2023-12-13T11:29:40Z) - Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。
現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。
本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
論文 参考訳（メタデータ） (2023-02-28T14:01:01Z) - Hierarchical shrinkage Gaussian processes: applications to computer code
emulation and dynamical system recovery [5.694170341269015]
GPフレームワーク内に累積収縮前処理を組み込んだ新しい階層縮小GP(HierGP)を提案する。
実験解析において,HierGPはエフェクト・スパシティ,遺伝性,階層性といったよく知られた原理を暗黙的に組み込んでいることを示す。
モデルトレーニングと予測のための効率的な後方サンプリングアルゴリズムを提案し、HierGPの望ましい整合性を証明した。
論文 参考訳（メタデータ） (2023-02-01T21:00:45Z) - Weighted Ensembles for Active Learning with Adaptivity [60.84896785303314]
本稿では,ラベル付きデータに漸進的に適応した重み付きGPモデルのアンサンブルについて述べる。
この新しいEGPモデルに基づいて、不確実性および不一致ルールに基づいて、一連の取得関数が出現する。
適応的に重み付けされたEGPベースの取得関数のアンサンブルも、さらなる性能向上のために導入されている。
論文 参考訳（メタデータ） (2022-06-10T11:48:49Z) - Robust and Adaptive Temporal-Difference Learning Using An Ensemble of
Gaussian Processes [70.80716221080118]
本稿では、時間差学習(TD)による政策評価の世代的視点について考察する。
OS-GPTDアプローチは、状態-逆ペアのシーケンスを観測することにより、与えられたポリシーの値関数を推定するために開発された。
1つの固定カーネルに関連する限られた表現性を緩和するために、GP前の重み付けアンサンブル(E)を用いて代替のスキームを生成する。
論文 参考訳（メタデータ） (2021-12-01T23:15:09Z) - Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。
NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2021-10-26T10:45:25Z) - Incremental Ensemble Gaussian Processes [53.3291389385672]
本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。
各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。
新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
論文 参考訳（メタデータ） (2021-10-13T15:11:25Z) - Using Traceless Genetic Programming for Solving Multiobjective
Optimization Problems [1.9493449206135294]
トレーレス・ジェネティック・プログラミング(Traceless Genetic Programming、TGP)は、プログラム自体よりもプログラムの出力に焦点をあてる場合に使われる遺伝的プログラミング(GP)の変種である。
TGPと組み合わせて2つの遺伝子操作子(クロスオーバーと挿入)が使用される。
数値実験により、TGPは非常に高速かつ十分に検討されたテスト問題を解くことができることが示された。
論文 参考訳（メタデータ） (2021-10-07T05:55:55Z) - Genetic Programming is Naturally Suited to Evolve Bagging Ensembles [0.0]
適合度評価と選択の微妙な変化は、単純で従来のGPアルゴリズムを効率的に進化させるのに十分であることを示す。
我々のアルゴリズムは、最先端のアンサンブルと非アンサンブルGPアルゴリズムと非常によく比較できる。
論文 参考訳（メタデータ） (2020-09-13T16:28:11Z) - Likelihood-Free Inference with Deep Gaussian Processes [70.74203794847344]
サーロゲートモデルは、シミュレータ評価の回数を減らすために、可能性のない推論に成功している。
本稿では,より不規則な対象分布を扱えるディープガウス過程(DGP)サロゲートモデルを提案する。
本実験は,DGPがマルチモーダル分布を持つ目的関数上でGPよりも優れ,単調な場合と同等の性能を維持できることを示す。
論文 参考訳（メタデータ） (2020-06-18T14:24:05Z)
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。