論文の概要: Accelerating Fleet Upgrade Decisions with Machine-Learning Enhanced Optimization
- arxiv url: http://arxiv.org/abs/2508.00915v1
- Date: Tue, 29 Jul 2025 20:44:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:21.620967
- Title: Accelerating Fleet Upgrade Decisions with Machine-Learning Enhanced Optimization
- Title（参考訳）: 機械学習最適化によるフリートアップグレード決定の高速化
- Authors: Kenrick Howin Chai, Stefan Hildebrand, Tobias Lachnit, Martin Benfer, Gisela Lanza, Sandra Klinge,
- Abstract要約: レンタルベースのビジネスモデルとサステナビリティ要件の増大は、大規模なマシンおよび車両の更新とアップグレードを管理するための効率的な戦略の必要性を高める。
従来のフリート最適化はアップグレードオプションを考慮せず、指数関数的なランタイムスケーリングを備えた整数プログラミングに基づいている。
この貢献はまず、最適な更新とアップグレードの決定を決定する拡張整数プログラミングアプローチを提案する。
計算負荷は、タスクを混合離散連続最適化問題に変換する第2の機械学習ベースの方法によって対処される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Rental-based business models and increasing sustainability requirements intensify the need for efficient strategies to manage large machine and vehicle fleet renewal and upgrades. Optimized fleet upgrade strategies maximize overall utility, cost, and sustainability. However, conventional fleet optimization does not account for upgrade options and is based on integer programming with exponential runtime scaling, which leads to substantial computational cost when dealing with large fleets and repeated decision-making processes. This contribution firstly suggests an extended integer programming approach that determines optimal renewal and upgrade decisions. The computational burden is addressed by a second, alternative machine learning-based method that transforms the task to a mixed discrete-continuous optimization problem. Both approaches are evaluated in a real-world automotive industry case study, which shows that the machine learning approach achieves near-optimal solutions with significant improvements in the scalability and overall computational performance, thus making it a practical alternative for large-scale fleet management.
- Abstract（参考訳）: レンタルベースのビジネスモデルとサステナビリティ要件の増大は、大規模なマシンおよび車両の更新とアップグレードを管理するための効率的な戦略の必要性を高める。
最適化された艦隊のアップグレード戦略は、全体の実用性、コスト、持続可能性を最大化する。
しかし、従来のフリート最適化はアップグレードの選択肢を考慮せず、指数関数的な実行時スケーリングを備えた整数プログラミングに基づいており、大規模なフリートや繰り返し意思決定プロセスを扱う場合の計算コストは相当である。
この貢献はまず、最適な更新とアップグレードの決定を決定する拡張整数プログラミングアプローチを提案する。
計算負荷は、タスクを混合離散連続最適化問題に変換する第2の機械学習ベースの方法によって対処される。
どちらのアプローチも実世界の自動車産業のケーススタディで評価されており、機械学習アプローチはスケーラビリティと全体的な計算性能を大幅に改善し、ほぼ最適のソリューションを実現している。
関連論文リスト
- LLM-guided Chemical Process Optimization with a Multi-Agent Approach [5.417632175667162]
化学プロセスの最適化は生産効率と経済性能の最大化に不可欠である。
勾配に基づくアルゴリズム、進化的アルゴリズム、パラメータグリッド探索を含む従来の手法は、操作上の制約が定義されていない場合や利用できない場合、実用的ではない。
本稿では,大規模言語モデル(LLM)エージェントのマルチエージェントフレームワークについて,最小限のプロセス記述から自律的に動作制約を推測する。
論文 参考訳（メタデータ） (2025-06-26T01:03:44Z) - Principled data augmentation for learning to solve quadratic programming problems [5.966097889241178]
線形プログラム(LP)や二次プログラム(QP)のためのL2O(Learning-to-Optimize Method)が注目を集めている。
MPNNはそのような最適化問題を解決するために軽量でデータ駆動のプロキシを約束する。
しかし、堅牢なMPNNはデータスカース設定では依然として困難である。
この研究は、MPNNを通じてQP用に調整されたデータ拡張に対する原則的なアプローチを導入している。
論文 参考訳（メタデータ） (2025-06-02T14:40:18Z) - A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳（メタデータ） (2024-12-18T14:11:15Z) - Warehouse optimization using a trapped-ion quantum processor [30.432877421232842]
本稿では,二元最適化問題に適した倉庫最適化問題の定式化に適応する。
トラップイオン量子コンピュータで実装する。
論文 参考訳（メタデータ） (2024-11-26T16:36:48Z) - Practical Marketplace Optimization at Uber Using Causally-Informed Machine Learning [8.051164005088983]
都市の予算決定を自動化するため,エンド・ツー・エンドの機械学習と最適化手法を導入する。
S-Learnerと新しいテンソルB-Spline回帰モデルに基づく最先端ディープラーニング(DL)を提案する。
我々はADMMと原始双対内点凸最適化を用いて高次元最適化を行い、Uberの資源配分効率を大幅に改善した。
論文 参考訳（メタデータ） (2024-07-26T20:51:37Z) - Memory-Enhanced Neural Solvers for Efficient Adaptation in Combinatorial Optimization [6.713974813995327]
本稿では、メモリを活用してニューラルネットワークの適応性を向上させるアプローチであるMementOを提案する。
我々は,大規模インスタンス上で全RL自動回帰解法をトレーニングし,MementOが拡張可能で,データ効率がよいことを示す。
全体として、MementOは評価された12のタスクのうち11に最先端のタスクをプッシュすることができる。
論文 参考訳（メタデータ） (2024-06-24T08:18:19Z) - Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。
このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
論文 参考訳（メタデータ） (2024-05-28T07:38:39Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - 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。