論文の概要: Simultaneous Genetic Evolution of Neural Networks for Optimal SFC Embedding
- arxiv url: http://arxiv.org/abs/2512.09318v1
- Date: Wed, 10 Dec 2025 05:06:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-11 15:14:53.397831
- Title: Simultaneous Genetic Evolution of Neural Networks for Optimal SFC Embedding
- Title（参考訳）: 最適SFC埋め込みのためのニューラルネットワークの同時遺伝的進化
- Authors: Theviyanthan Krishnamohan, Lauritz Thamsen, Paul Harvey,
- Abstract要約: Service Function Chains ネットワーク機能を仮想化し、ネットワークインフラストラクチャに組み込む。
既存のアプローチは、3つのサブプロブレムを全て最適化しないか、または3つのサブプロブレムを同時に最適化しない。
本稿では3つの正弦関数ニューラルネットワークを進化させ,その出力をガウス分布とA*アルゴリズムで同時に3つのサブプロブレムを最適化する GENESIS という遺伝的アルゴリズムに基づくアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The reliance of organisations on computer networks is enabled by network programmability, which is typically achieved through Service Function Chaining. These chains virtualise network functions, link them, and programmatically embed them on networking infrastructure. Optimal embedding of Service Function Chains is an NP-hard problem, with three sub-problems, chain composition, virtual network function embedding, and link embedding, that have to be optimised simultaneously, rather than sequentially, for optimal results. Genetic Algorithms have been employed for this, but existing approaches either do not optimise all three sub-problems or do not optimise all three sub-problems simultaneously. We propose a Genetic Algorithm-based approach called GENESIS, which evolves three sine-function-activated Neural Networks, and funnels their output to a Gaussian distribution and an A* algorithm to optimise all three sub-problems simultaneously. We evaluate GENESIS on an emulator across 48 different data centre scenarios and compare its performance to two state-of-the-art Genetic Algorithms and one greedy algorithm. GENESIS produces an optimal solution for 100% of the scenarios, whereas the second-best method optimises only 71% of the scenarios. Moreover, GENESIS is the fastest among all Genetic Algorithms, averaging 15.84 minutes, compared to an average of 38.62 minutes for the second-best Genetic Algorithm.
- Abstract（参考訳）: コンピュータネットワークへの組織依存は、一般的にサービス機能チェーンを通じて達成されるネットワークプログラマビリティによって実現される。
これらのチェーンはネットワーク機能を仮想化し、リンクし、ネットワークインフラストラクチャにプログラムで埋め込む。
Service Function Chainsの最適埋め込みはNPハードな問題であり、3つのサブプロブレム、連鎖合成、仮想ネットワーク関数の埋め込み、リンクの埋め込みが最適な結果を得るためには逐次ではなく同時に最適化される必要がある。
遺伝的アルゴリズムはこのために使われてきたが、既存のアプローチでは3つのサブプロブレムを全て最適化しないか、または3つのサブプロブレムを同時に最適化しない。
本稿では,3つの正弦関数活性化ニューラルネットワークを進化させ,その出力をガウス分布とA*アルゴリズムにより同時に3つのサブプロブレムを最適化する GENESIS という遺伝的アルゴリズムに基づくアプローチを提案する。
我々は,48の異なるデータセンタシナリオにまたがるエミュレータ上でのGENESISを評価し,その性能を2つの最先端遺伝的アルゴリズムと1つの欲求アルゴリズムと比較した。
GENESISはシナリオの100%に対して最適解を生成するが、第2のベストメソッドはシナリオの71%しか最適化しない。
さらに、ジェネシスは全遺伝アルゴリズムの中で最速であり、平均15.84分であり、第2の遺伝的アルゴリズムでは平均38.62分である。
関連論文リスト
- A Gradient Meta-Learning Joint Optimization for Beamforming and Antenna Position in Pinching-Antenna Systems [63.213207442368294]
マルチ導波路ピンチアンテナシステムの新しい最適化設計について検討する。
提案したGML-JOアルゴリズムは,既存の最適化手法と比較して,様々な選択や性能に頑健である。
論文 参考訳（メタデータ） (2025-06-14T17:35:27Z) - Evaluation and Efficiency Comparison of Evolutionary Algorithms for Service Placement Optimization in Fog Architectures [1.3723120574076126]
この研究は霧のサービス配置の問題に対する3つの進化的アルゴリズムを比較した。
NSGA-IIは、目的の最高最適化と解空間の最高多様性を得た。
WSGAアルゴリズムは、他の2つのアルゴリズムに関して何の利益も示さなかった。
論文 参考訳（メタデータ） (2025-01-17T05:21:00Z) - GDSG: Graph Diffusion-based Solution Generator for Optimization Problems in MEC Networks [109.17835015018532]
グラフ拡散型ソリューション生成(GDSG)法を提案する。
このアプローチは、おそらく最適な解に収束しながら、最適以下のデータセットを扱うように設計されている。
グラフニューラルネットワーク(GNN)を用いたマルチタスク拡散モデルとしてGDSGを構築し,高品質な解の分布を求める。
論文 参考訳（メタデータ） (2024-12-11T11:13:43Z) - Simulation-based optimization of a production system topology -- a
neural network-assisted genetic algorithm [0.0]
遺伝的アルゴリズム(GA)を用いた生産システムのトポロジー最適化のための新しい手法を提案する
GAの拡張では、ニューラルネットワークがシミュレーションの代理モデルとして機能する。
どちらの手法も、産業環境で最適解を見つけるのに効果的である。
論文 参考訳（メタデータ） (2024-02-02T15:52:10Z) - Fast Computation of Optimal Transport via Entropy-Regularized Extragradient Methods [75.34939761152587]
2つの分布間の最適な輸送距離の効率的な計算は、様々な応用を促進するアルゴリズムとして機能する。
本稿では,$varepsilon$加法精度で最適な輸送を計算できるスケーラブルな一階最適化法を提案する。
論文 参考訳（メタデータ） (2023-01-30T15:46:39Z) - Genetically Modified Wolf Optimization with Stochastic Gradient Descent
for Optimising Deep Neural Networks [0.0]
本研究の目的は、人口ベースメタヒューリスティックアルゴリズムを用いて、ニューラルネットワーク(NN)重み付けを最適化するための代替アプローチを分析することである。
Grey Wolf (GWO) と Genetic Modified Algorithms (GA) のハイブリッドをグラディエント・Descent (SGD) と組み合わせて検討した。
このアルゴリズムは、高次元性の問題にも対処しながら、エクスプロイトと探索の組み合わせを可能にする。
論文 参考訳（メタデータ） (2023-01-21T13:22:09Z) - On the Convergence of Distributed Stochastic Bilevel Optimization
Algorithms over a Network [55.56019538079826]
バイレベル最適化は、幅広い機械学習モデルに適用されている。
既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。
そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-06-30T05:29:52Z) - Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex
Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。
我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。
我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
論文 参考訳（メタデータ） (2021-06-08T15:54:44Z) - Genetic-algorithm-optimized neural networks for gravitational wave
classification [0.0]
遺伝的アルゴリズム(GA)に基づくハイパーパラメータ最適化の新しい手法を提案する。
我々は,初期パラメータのシード値が良い解には程遠い場合に,GAが高品質なアーキテクチャを発見できることを示す。
遺伝的アルゴリズムの最適化を用いて既存のネットワークを洗練することは、問題コンテキストが変化した場合に特に有用である。
論文 参考訳（メタデータ） (2020-10-09T03:14:20Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z) - Multi-User Remote lab: Timetable Scheduling Using Simplex Nondominated
Sorting Genetic Algorithm [1.0953917735844645]
マルチユーザ遠隔実験室のスケジューリングは,提案アルゴリズムのマルチモーダル関数としてモデル化される。
提案アルゴリズムは,探索法としてSimplexアルゴリズム,局所最適点のソートにNSGAを用いる。
論文 参考訳（メタデータ） (2020-03-26T02:31:50Z)
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。