論文の概要: Solving a real-world modular logistic scheduling problem with a quantum-classical metaheuristics

• arxiv url: http://arxiv.org/abs/2507.21701v1
• Date: Tue, 29 Jul 2025 11:25:13 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-07-30 13:45:57.947298
• Title: Solving a real-world modular logistic scheduling problem with a quantum-classical metaheuristics
• Title（参考訳）: 量子古典的メタヒューリスティックスを用いた実世界のモジュラロジスティックスケジューリング問題の解法
• Authors: Florian Krellner, Abhishek Awasthi, Nico Kraus, Sarah Braun, Michael Poppel, Daniel Porawski,
• Abstract要約: 量子古典的メタヒューリスティックスは、数学最適化問題をモデル化する新しい方法の恩恵を受けることができることを示す。 本稿では,各最適化モデルに対する2つの解法の性能比較について述べる。
• 参考スコア（独自算出の注目度）: 0.3806074545662052
• License:
• Abstract: This study evaluates the performance of a quantum-classical metaheuristic and a traditional classical mathematical programming solver, applied to two mathematical optimization models for an industry-relevant scheduling problem with autonomous guided vehicles (AGVs). The two models are: (1) a time-indexed mixed-integer linear program, and (2) a novel binary optimization problem with linear and quadratic constraints and a linear objective. Our experiments indicate that optimization methods are very susceptible to modeling techniques and different solvers require dedicated methods. We show in this work that quantum-classical metaheuristics can benefit from a new way of modeling mathematical optimization problems. Additionally, we present a detailed performance comparison of the two solution methods for each optimization model.
• Abstract（参考訳）: 本研究では,自律誘導車(AGV)を用いた産業関連スケジューリング問題に対して,量子古典的メタヒューリスティックと古典的数理計画解法の性能評価を行った。 2つのモデルは、(1)時間インデックス付き混合整数線形プログラム、(2)線形および二次的制約と線形目的を持つ新しい二項最適化問題である。 実験の結果,最適化手法はモデリング手法に非常に敏感であり,解法には専用手法が必要であることが示唆された。 この研究において、量子古典的メタヒューリスティックスは、数学最適化問題をモデル化する新しい方法の恩恵を受けることができることを示す。 さらに,各最適化モデルに対する2つの解法の性能比較を行った。

関連論文リスト

• Benchmarking of quantum and classical SDP relaxations for QUBO formulations of real-world logistics problems [0.4636927061010061]
  擬似的非制約二項最適化問題の半定値プログラミング緩和に関する膨大な実験的検討を行った。 オープンな)車両ルーティング問題と(親和性に基づく)スロットリング問題に関する業界ベースの事例のQUBO再構成を検証した。
  論文  参考訳（メタデータ） (2025-03-13T18:51:45Z)
• Learning Joint Models of Prediction and Optimization [56.04498536842065]
  Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-07T19:52:14Z)
• Optimized QUBO formulation methods for quantum computing [0.4999814847776097]
  実世界の金融シナリオにインスパイアされたNPハード最適化問題に対して,我々の手法を適用する方法について述べる。 2つのD波量子異方体にこの問題の事例を提出し、これらのシナリオで使用される標準手法と新しい手法の性能を比較した。
  論文  参考訳（メタデータ） (2024-06-11T19:59:05Z)
• Learning Constrained Optimization with Deep Augmented Lagrangian Methods [54.22290715244502]
  機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。 本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。 これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
  論文  参考訳（メタデータ） (2024-03-06T04:43:22Z)
• Towards Constituting Mathematical Structures for Learning to Optimize [101.80359461134087]
  近年,機械学習を利用してデータから最適化アルゴリズムを自動学習する技術が注目されている。 ジェネリックL2Oアプローチは反復更新ルールをパラメータ化し、ブラックボックスネットワークとして更新方向を学ぶ。 一般的なアプローチは広く適用できるが、学習されたモデルは過度に適合し、配布外テストセットにうまく一般化できない。 本稿では, 分布外問題に対して広く適用でき, 一般化された, 数学に着想を得た構造を持つ新しいL2Oモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-29T19:37:28Z)
• Quantum Inspired Optimization for Industrial Scale Problems [0.5417521241272644]
  本研究では,量子モデルに基づく最適化手法TN-GEOを用いて,現実的な問題に適用した場合のこれらの方法の有効性を評価する。 この場合、問題はBMWの現在使用されている製造スケジュールに基づく現実的な組立ラインの最適化である。 最適化手法の比較により、従来のブラックボックス法と組み合わせた量子モデルに基づく最適化は、特定の状況下で低コストな解を見つけることができることがわかった。
  論文  参考訳（メタデータ） (2023-05-03T15:19:36Z)
• Neural Improvement Heuristics for Graph Combinatorial Optimization Problems [49.85111302670361]
  本稿では,ノード,エッジ,あるいはその両方に情報をエンコードするグラフベースの問題を扱う新しいニューラル改善(NI)モデルを提案する。 提案モデルは,各地区の操作の選択を誘導する丘登頂に基づくアルゴリズムの基本的な構成要素として機能する。
  論文  参考訳（メタデータ） (2022-06-01T10:35:29Z)
• Quantum variational optimization: The role of entanglement and problem hardness [0.0]
  本稿では, 絡み合いの役割, 変動量子回路の構造, 最適化問題の構造について検討する。 数値計算の結果,絡み合うゲートの分布を問題のトポロジに適応させる利点が示唆された。 リスク型コスト関数に条件値を適用することで最適化が向上し、最適解と重複する確率が増大することを示す。
  論文  参考訳（メタデータ） (2021-03-26T14:06:54Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。