論文の概要: PCIA: A Path Construction Imitation Algorithm for Global Optimization
- arxiv url: http://arxiv.org/abs/2512.16392v1
- Date: Thu, 18 Dec 2025 10:39:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-19 18:10:32.013723
- Title: PCIA: A Path Construction Imitation Algorithm for Global Optimization
- Title（参考訳）: PCIA:グローバル最適化のための経路構築模擬アルゴリズム
- Authors: Mohammad-Javad Rezaei, Mozafar Bag-Mohammadi,
- Abstract要約: PCIA (Path Construction Imitation Algorithm) と呼ばれるメタヒューリスティック最適化アルゴリズムを提案する。
PCIAは、人間の新しい道の作り方や使い方にインスパイアされている。
その結果、PCIAは人気のあるメタヒューリスティックアルゴリズムと最新のメタヒューリスティックアルゴリズムの両方と比較して非常に競争力があることがわかった。
- 参考スコア（独自算出の注目度）: 0.7018547803286913
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, a new metaheuristic optimization algorithm, called Path Construction Imitation Algorithm (PCIA), is proposed. PCIA is inspired by how humans construct new paths and use them. Typically, humans prefer popular transportation routes. In the event of a path closure, a new route is built by mixing the existing paths intelligently. Also, humans select different pathways on a random basis to reach unknown destinations. PCIA generates a random population to find the best route toward the destination, similar to swarm-based algorithms. Each particle represents a path toward the destination. PCIA has been tested with 53 mathematical optimization problems and 13 constrained optimization problems. The results showed that the PCIA is highly competitive compared to both popular and the latest metaheuristic algorithms.
- Abstract（参考訳）: 本稿では,PCIA (Path Construction Imitation Algorithm) と呼ばれるメタヒューリスティック最適化アルゴリズムを提案する。
PCIAは、人間の新しい道の作り方や使い方にインスパイアされている。
通常、人間は人気のある交通手段を好む。
経路閉鎖の場合、既存の経路をインテリジェントに混合して新しい経路を構築する。
また、人間は未知の目的地に到達するために、ランダムに異なる経路を選択する。
PCIAは、Swarmベースのアルゴリズムと同様に、目的地に向かう最良のルートを見つけるためにランダムな人口を生成する。
各粒子は目的地に向かう経路を表す。
PCIAは53の数学的最適化問題と13の制約付き最適化問題でテストされている。
その結果、PCIAは人気のあるメタヒューリスティックアルゴリズムと最新のメタヒューリスティックアルゴリズムの両方と比較して非常に競争力があることがわかった。
関連論文リスト
- The Optimized path for the public transportation of Incheon in South
Korea [0.0]
改良されたA*アルゴリズムは、ジェネティックやディクストラのような他の基本的なパスフィニングアルゴリズムよりも性能が良いことを示す。
提案手法では,大量のデータ(ポイント)であっても,リアルタイムに最短経路を見つけることができる。
論文 参考訳（メタデータ） (2023-09-18T02:09:39Z) - Monte-Carlo Tree Search for Multi-Agent Pathfinding: Preliminary Results [60.4817465598352]
マルチエージェントパスフィンディングに適したモンテカルロ木探索(MCTS)のオリジナル版を紹介する。
具体的には,エージェントの目標達成行動を支援するために,個別の経路を用いる。
また,木探索手順の分岐係数を低減するために,専用の分解手法を用いる。
論文 参考訳（メタデータ） (2023-07-25T12:33:53Z) - Find a Way Forward: a Language-Guided Semantic Map Navigator [53.69229615952205]
本稿では,新たな視点で言語誘導ナビゲーションの問題に対処する。
ロボットが自然言語の指示を実行し、地図観測に基づいて目標位置へ移動できるようにする。
提案手法は特に長距離ナビゲーションの場合において顕著な性能向上をもたらす。
論文 参考訳（メタデータ） (2022-03-07T07:40:33Z) - Systematic Comparison of Path Planning Algorithms using PathBench [55.335463666037086]
パスプランニングはモバイルロボティクスの重要な構成要素である。
学習に基づく経路計画アルゴリズムの開発は、急速な成長を遂げている。
本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
論文 参考訳（メタデータ） (2022-03-07T01:52:57Z) - Using Particle Swarm Optimization as Pathfinding Strategy in a Space
with Obstacles [4.899469599577755]
Particle Swarm Optimization (PSO) は集団適応最適化に基づく探索アルゴリズムである。
本稿では,幅広いアプリケーションを対象としたパスプランニングの効率化を図るため,パスフィニング戦略を提案する。
論文 参考訳（メタデータ） (2021-12-16T12:16:02Z) - Ranking Cost: Building An Efficient and Scalable Circuit Routing Planner
with Evolution-Based Optimization [49.207538634692916]
そこで我々は、効率よくトレーニング可能なルータを形成するための新しい回路ルーティングアルゴリズム、Randing Costを提案する。
提案手法では,A*ルータが適切な経路を見つけるのに役立つコストマップと呼ばれる新しい変数群を導入する。
我々のアルゴリズムはエンドツーエンドで訓練されており、人工データや人間の実演は一切使用しない。
論文 参考訳（メタデータ） (2021-10-08T07:22:45Z) - User Preferences and the Shortest Path [1.52292571922932]
室内ナビゲーションシステムはルートを計算するために最短経路アルゴリズムを利用する。
厳格なパス」は、アプリケーションドメインの理論や基準に基づいて指定する必要がある。
ここでの「Ideal」は、人間が選択したルートと最もよく似たルートを計画するアルゴリズムを導くものであると定義されている。
論文 参考訳（メタデータ） (2021-07-23T11:54:15Z) - PathBench: A Benchmarking Platform for Classical and Learned Path
Planning Algorithms [59.3879573040863]
パスプランニングは、モバイルロボティクスの重要なコンポーネントです。
アルゴリズムを全体的あるいは統一的にベンチマークする試みはほとんど行われていない。
本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
論文 参考訳（メタデータ） (2021-05-04T21:48:18Z) - Waypoint Planning Networks [66.72790309889432]
本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。
我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。
WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
論文 参考訳（メタデータ） (2021-05-01T18:02:01Z)
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。