論文の概要: Optimizing UAV Trajectories via a Simplified Close Enough TSP Approach

• arxiv url: http://arxiv.org/abs/2507.03775v1
• Date: Fri, 04 Jul 2025 18:50:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.874307
• Title: Optimizing UAV Trajectories via a Simplified Close Enough TSP Approach
• Title（参考訳）: 簡易密閉TSPによるUAV軌道の最適化
• Authors: Hiba Bederina,
• Abstract要約: この論文は、CETSP(Close Enough Traveling Salesman Problem)に対処するためのアプローチを探求している。 ユークリッド距離を近似し、目的関数を単純化する再構成を導入する。 その結果, 解の質を損なうことなく, 計算資源の管理に有効であることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This article explores an approach to addressing the Close Enough Traveling Salesman Problem (CETSP). The objective is to streamline the mathematical formulation by introducing reformulations that approximate the Euclidean distances and simplify the objective function. Additionally, the use of convex sets in the constraint design offers computational benefits. The proposed methodology is empirically validated on real-world CETSP instances, with the aid of computational strategies such as a fragmented CPLEX-based approach. Results demonstrate its effectiveness in managing computational resources without compromising solution quality. Furthermore, the article analyzes the behavior of the proposed mathematical formulations, providing comprehensive insights into their performance.
• Abstract（参考訳）: 本稿では,CETSP(Close Enough Traveling Salesman Problem)への取り組みについて述べる。 目的は、ユークリッド距離を近似し、目的関数を単純化する修正を導入することで、数学的定式化の合理化である。 さらに、制約設計における凸集合の使用は、計算上の利点を提供する。 提案手法は実世界のCETSPインスタンス上で,断片化されたCPLEXベースのアプローチのような計算戦略の助けを借りて実証的に検証される。 その結果, 解の質を損なうことなく, 計算資源の管理に有効であることが示された。 さらに、本論文は、提案した数学的定式化の挙動を分析し、それらの性能に関する総合的な洞察を提供する。

関連論文リスト

• Outcome-Based Online Reinforcement Learning: Algorithms and Fundamental Limits [58.63897489864948]
  結果に基づくフィードバックによる強化学習は、根本的な課題に直面します。 適切なアクションにクレジットを割り当てるには? 本稿では,一般関数近似を用いたオンラインRLにおけるこの問題の包括的解析を行う。
  論文  参考訳（メタデータ） (2025-05-26T17:44:08Z)
• Offline Reinforcement Learning via Inverse Optimization [3.0586855806896054]
  連続状態と行動空間のための新しいオフライン強化学習(ORL)アルゴリズムを提案する。 ORL問題でよく見られる分布変化を緩和するために、我々は頑健で非因果予測制御の専門家を用いる。 既存の文献と異なり、当社の堅牢なMPC専門家は、正確かつトラクタブルな凸修正を楽しみます。
  論文  参考訳（メタデータ） (2025-02-27T12:11:44Z)
• Efficient Fairness-Performance Pareto Front Computation [51.558848491038916]
  最適公正表現はいくつかの有用な構造特性を持つことを示す。 そこで,これらの近似問題は,凹凸プログラミング法により効率的に解けることを示す。
  論文  参考訳（メタデータ） (2024-09-26T08:46:48Z)
• Over-the-Air Federated Learning via Weighted Aggregation [9.043019524847491]
  本稿では, オーバー・ザ・エア計算を利用した新しいフェデレーション学習手法を提案する。 このスキームの新たな特徴は、アグリゲーション中に適応重みを用いるという提案である。 提案手法の収束を導出する数学的手法を提案する。
  論文  参考訳（メタデータ） (2024-09-12T08:07:11Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• DDAC-SpAM: A Distributed Algorithm for Fitting High-dimensional Sparse Additive Models with Feature Division and Decorrelation [16.232378903482143]
  本稿では,高次元のスパース加法モデルの下で特徴を分割する分散統計学習アルゴリズムDDAC-SpAMを提案する。 提案アルゴリズムの有効性と有効性は, 合成データと実データの両方に関する理論的解析と実験結果によって実証される。 提案手法は, スパース加法モデルと, 広範囲の領域で有望な応用を実現するための実用的ソリューションを提供する。
  論文  参考訳（メタデータ） (2022-05-16T18:31:03Z)
• Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
  空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。 これらの問題に対する新規で簡単な最適化法を開発した。 結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-09-23T17:38:24Z)
• Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
  本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。 この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
  論文  参考訳（メタデータ） (2020-08-10T09:42:59Z)

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。