論文の概要: Computational Intelligence based Land-use Allocation Approaches for Mixed Use Areas
- arxiv url: http://arxiv.org/abs/2508.15240v1
- Date: Thu, 21 Aug 2025 05:00:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-22 16:26:46.18922
- Title: Computational Intelligence based Land-use Allocation Approaches for Mixed Use Areas
- Title（参考訳）: コンピュテーション・インテリジェンスに基づく混合利用圏における土地利用配分手法
- Authors: Sabab Aosaf, Muhammad Ali Nayeem, Afsana Haque, M Sohel Rahmana,
- Abstract要約: 都市の土地利用配分は、持続可能な都市開発政策に不可欠な複雑な多目的最適化問題である。
本稿では,混合利用地域における土地利用配分最適化のための新しい計算知能手法を提案する。
- 参考スコア（独自算出の注目度）: 0.4499833362998487
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Urban land-use allocation represents a complex multi-objective optimization problem critical for sustainable urban development policy. This paper presents novel computational intelligence approaches for optimizing land-use allocation in mixed-use areas, addressing inherent trade-offs between land-use compatibility and economic objectives. We develop multiple optimization algorithms, including custom variants integrating differential evolution with multi-objective genetic algorithms. Key contributions include: (1) CR+DES algorithm leveraging scaled difference vectors for enhanced exploration, (2) systematic constraint relaxation strategy improving solution quality while maintaining feasibility, and (3) statistical validation using Kruskal-Wallis tests with compact letter displays. Applied to a real-world case study with 1,290 plots, CR+DES achieves 3.16\% improvement in land-use compatibility compared to state-of-the-art methods, while MSBX+MO excels in price optimization with 3.3\% improvement. Statistical analysis confirms algorithms incorporating difference vectors significantly outperform traditional approaches across multiple metrics. The constraint relaxation technique enables broader solution space exploration while maintaining practical constraints. These findings provide urban planners and policymakers with evidence-based computational tools for balancing competing objectives in land-use allocation, supporting more effective urban development policies in rapidly urbanizing regions.
- Abstract（参考訳）: 都市の土地利用配分は、持続可能な都市開発政策に不可欠な複雑な多目的最適化問題である。
本稿では,土地利用の相違点と経済的目的とのトレードオフに対処するため,混合利用地域における土地利用配分を最適化するための新しい計算知能アプローチを提案する。
多目的遺伝的アルゴリズムと差分進化を統合するカスタム変種を含む、複数の最適化アルゴリズムを開発する。
主な貢献は,(1)拡張探索にスケールド差分ベクトルを利用するCR+DESアルゴリズム,(2)実現可能性を維持しながら解の質を向上させる体系的制約緩和戦略,(3)コンパクトレターディスプレイを用いたKruskal-Wallis検定による統計的検証である。
1,290のプロットを持つ実世界のケーススタディに適用すると、CR+DESは最先端の手法に比べて3.16倍の土地利用率向上を実現し、MSBX+MOは3.3倍の価格最適化を達成している。
統計解析により、差分ベクトルを組み込んだアルゴリズムは、複数のメトリクスで従来の手法よりも大幅に優れていることが確認される。
制約緩和技術は、実用的な制約を維持しながら、より広い解空間探索を可能にする。
これらの知見は、都市化が急速に進んでいる地域でのより効果的な都市開発政策を支援するため、土地利用配分において競合する目標のバランスをとるためのエビデンスベースの計算ツールを都市計画者や政策立案者に提供した。
関連論文リスト
- Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。
大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。
統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
論文 参考訳（メタデータ） (2025-05-13T16:47:00Z) - Sparse Optimization for Transfer Learning: A L0-Regularized Framework for Multi-Source Domain Adaptation [9.605924781372849]
L0-regularizationに基づくSparse Optimization for Transfer Learningフレームワークを提案する。
シミュレーションにより、SOTLは推定精度と計算速度の両方を著しく改善することが示された。
コミュニティと犯罪のベンチマークにおける実証的検証は、クロスドメイン転送におけるSOTL法の統計的堅牢性を示している。
論文 参考訳（メタデータ） (2025-04-07T08:06:16Z) - A RankNet-Inspired Surrogate-Assisted Hybrid Metaheuristic for Expensive Coverage Optimization [5.757318591302855]
大規模カバレッジ最適化タスクを処理するために,RangeNetによるSurrogate支援ハイブリッドメタヒューリスティックを提案する。
我々のアルゴリズムは、EMVOPの最先端アルゴリズムを一貫して上回っている。
論文 参考訳（メタデータ） (2025-01-13T14:49:05Z) - Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。
深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
論文 参考訳（メタデータ） (2024-12-21T10:18:55Z) - Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [61.580419063416734]
最近の構造化学習手法のストリームは、様々な最適化問題に対する技術の実践的状態を改善している。
鍵となる考え方は、インスタンスを別々に扱うのではなく、インスタンス上の統計分布を利用することだ。
本稿では,最適化を容易にし,一般化誤差を改善するポリシを摂動することでリスクを円滑にする手法について検討する。
論文 参考訳（メタデータ） (2024-07-24T12:00:30Z) - Multi-objective Optimal Roadside Units Deployment in Urban Vehicular Networks [7.951541004150428]
都市車両網では,交通効率,安全,関連サービスの重要性が増している。
このようなネットワーク内では、道路側ユニット(RSU)が通信を容易にする中間体として機能する。
都市環境においては、建物、庭園、湖沼、その他のインフラなど様々な障害が存在することが、RSUの展開に課題を提起している。
論文 参考訳（メタデータ） (2024-01-14T05:02:12Z) - Distributionally Robust Model-based Reinforcement Learning with Large
State Spaces [55.14361269378122]
強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。
広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。
本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-05T13:42:11Z) - Extending regionalization algorithms to explore spatial process
heterogeneity [5.158953116443068]
そこで本稿では,空間状態記述のための2つの新しいアルゴリズムである2段Kモデルと2段Kモデルを提案する。
これらの結果から,3つのアルゴリズムが既存手法よりも優れている,あるいは同等の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2022-06-19T15:09:23Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-27T17:38:51Z)
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。