論文の概要: Benchmarking metaheuristic algorithms for the bi-objective redundancy allocation problem in repairable systems with multiple strategies

• arxiv url: http://arxiv.org/abs/2512.18343v1
• Date: Sat, 20 Dec 2025 12:16:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.298443
• Title: Benchmarking metaheuristic algorithms for the bi-objective redundancy allocation problem in repairable systems with multiple strategies
• Title（参考訳）: 複数の戦略を持つ修理可能なシステムにおける双目的冗長配置問題に対するメタヒューリスティックアルゴリズムのベンチマーク
• Authors: Mateusz Oszczypała, David Ibehej, Jakub Kudela,
• Abstract要約: 本稿では,修復可能なシステムに対する双方向冗長配置問題 (RAP) について検討する。 バイナリ決定は、サブシステムレベルでコンポーネントの数と待機戦略を共同で選択する。 システムの可用性は、連続的なマルコフ連鎖を用いて評価される。
• 参考スコア（独自算出の注目度）: 3.632189127068905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This article investigates a bi-objective redundancy allocation problem (RAP) for repairable systems, defined as cost minimization and availability maximization. Binary decisions jointly select the number of components and the standby strategy at the subsystem level. Four redundancy strategies are considered: cold standby, warm standby, hot standby, and a mixed strategy. System availability is evaluated using continuous-time Markov chains. The main novelty is a large, controlled benchmark that compares 65 multi-objective metaheuristics under two initialization settings, with and without Scaled Binomial Initialization (SBI), on six case studies of rising structural and dimensional complexity and four weight limits. Each run uses a fixed budget of 2x10^6 evaluations, and repeated runs support statistical comparisons based on hypervolume and budget-based performance. The Pareto-optimal sets are dominated by hot standby and mixed redundancy, while cold and warm standby are rare in the full populations and almost absent from the Pareto fronts. Hot standby is favored under tight weight limits, whereas mixed redundancy becomes dominant when more spares are allowed. Algorithm results show strong budget effects, so a single overall ranking can be misleading. SBI gives a clear hypervolume gain and can change method rankings; in several cases, the SBI initial population is already close to the best-found reference. NSGAIIARSBX-SBI performs well for medium and large budgets, while NNIA-SBI and CMOPSO-SBI are strongest when the budget is tight. Finally, larger systems require much more search effort to reach high-quality fronts, highlighting the need to plan the evaluation budget in practical RAP studies. The code and the results are available at a Zenodo repository https://doi.org/10.5281/zenodo.17981720.
• Abstract（参考訳）: 本稿では、コスト最小化と可用性の最大化として定義された修理可能なシステムに対する二重目的冗長割当問題(RAP)について検討する。 バイナリ決定は、サブシステムレベルでコンポーネントの数と待機戦略を共同で選択する。 コールドスタンバイ、ウォームスタンバイ、ホットスタンバイ、混合戦略の4つの冗長戦略が検討されている。 システムの可用性は、連続的なマルコフ連鎖を用いて評価される。 主な新規性は、65個の多目的メタヒューリスティックを2つの初期化条件下で比較し、SBI(Scaled Binomial Initialization)を使わずに、構造的および次元的複雑さの増大と4つの重み制限の6つのケーススタディで比較した、大きく制御されたベンチマークである。 各ランは2x10^6の固定予算を使い、ハイパーボリュームと予算ベースのパフォーマンスに基づいた統計比較を繰り返す。 パレート・最適セットは熱い待機と混合冗長によって支配され、寒冷で暖かい待機は全人口で稀であり、パレートフロントからはほとんど欠落している。 ホットスタンバイは厳重な重量制限の下で好まれるが、スペアがより多く許されると混合冗長性が支配的になる。 アルゴリズムの結果は強力な予算効果を示しており、全体的なランキングは誤解を招く可能性がある。 SBIは明らかにハイパーボリュームのゲインを与え、メソッドのランクを変更することができる。 NSGAIIARSBX-SBIは中規模・大規模の予算に対して良好に機能し、NNIA-SBIとCMOPSO-SBIは予算が厳格な場合に最強である。 最後に、より大規模なシステムは、高品質な前線に到達するためには、より多くの探索努力を必要とし、実践的なRAP研究における評価予算の計画の必要性を強調している。 コードと結果はZenodoリポジトリhttps://doi.org/10.5281/zenodo.17981720で公開されている。

関連論文リスト

• Hierarchical Budget Policy Optimization for Adaptive Reasoning [49.621779447691665]
  階層的予算政策最適化(Hierarchical Budget Policy Optimization, HBPO)は、モデルが問題固有の推論深度を犠牲にすることなく学習できる強化学習フレームワークである。 HBPOは、探索空間を予算制約付き階層(512-2560トークン)に分割する。 大規模な実験により、HBPOは平均トークン使用量を最大60.6%削減し、4つの推論ベンチマークで精度を3.14%改善した。
  論文  参考訳（メタデータ） (2025-07-21T17:52:34Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• Sequential Stochastic Combinatorial Optimization Using Hierarchal Reinforcement Learning [5.57541853212632]
  本稿では,上位層への適応的な予算配分と下位層へのノード選択を同時に決定する2層オプションベースフレームワークを提案する。 実験の結果,WS-option は従来の方法と比較して,有効性と一般化性が著しく向上していることがわかった。
  論文  参考訳（メタデータ） (2025-02-08T12:00:30Z)
• Best Arm Identification for Stochastic Rising Bandits [84.55453174601826]
  SRB(Rising Bandits)は、選択される度に選択肢の期待される報酬が増加する、シーケンシャルな意思決定の問題をモデル化する。 本稿では,SRBの固定予算ベストアーム識別(BAI)問題に焦点をあてる。 R-UCBE と R-SR の2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-15T08:01:37Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)
• Simplified Swarm Optimization for Bi-Objection Active Reliability Redundancy Allocation Problems [1.5990720051907859]
  信頼性冗長性割り当て問題(RRAP)は、システム設計、開発、管理においてよく知られた問題である。 本研究では, コスト制約を新たな目標として変更することにより, 両対象RRAPを定式化する。 提案課題を解決するために,ペナルティ関数を備えた新しい簡易スワム最適化 (SSO) ,実効1型ソリューション構造,数値ベースの自己適応型新しい更新機構,制約付き非支配型ソリューション選択,および新しいpBest代替ポリシーを開発した。
  論文  参考訳（メタデータ） (2020-06-17T13:15:44Z)

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。