論文の概要: Energy-Aware Metaheuristics

• arxiv url: http://arxiv.org/abs/2602.06595v1
• Date: Fri, 06 Feb 2026 10:47:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.360672
• Title: Energy-Aware Metaheuristics
• Title（参考訳）: エネルギーを考慮したメタヒューリスティックス
• Authors: Tomohiro Harada, Enrique Alba, Gabriel Luque,
• Abstract要約: 本稿では,固定エネルギー予算の下で機能するエネルギーを考慮したメタヒューリスティックを設計するための基本的枠組みを提案する。 数値ゲインとエネルギー使用量の両方を定量化する統一された演算子レベルモデルを導入し、ジュールスコア毎に頑健な改善を期待する。 我々は、このフレームワークを3つの代表的なメタヒューリスティック(定常GA、PSO、ILS)でインスタンス化する。
• 参考スコア（独自算出の注目度）: 0.4231181719953952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a principled framework for designing energy-aware metaheuristics that operate under fixed energy budgets. We introduce a unified operator-level model that quantifies both numerical gain and energy usage, and define a robust Expected Improvement per Joule (EI/J) score that guides adaptive selection among operator variants during the search. The resulting energy-aware solvers dynamically choose between operators to self-control exploration and exploitation, aiming to maximize fitness gain under limited energy. We instantiate this framework with three representative metaheuristics - steady-state GA, PSO, and ILS - each equipped with both lightweight and heavy operator variants. Experiments on three heterogeneous combinatorial problems (Knapsack, NK-landscapes, and Error-Correcting Codes) show that the energy-aware variants consistently reach comparable fitness while requiring substantially less energy than their non-energy-aware baselines. EI/J values stabilize early and yield clear operator-selection patterns, with each solver reliably self-identifying the most improvement-per-Joule - efficient operator across problems.
• Abstract（参考訳）: 本稿では,固定エネルギー予算の下で機能するエネルギーを考慮したメタヒューリスティックを設計するための基本的枠組みを提案する。 数値ゲインとエネルギー使用量の両方を定量化する統一された演算子レベルモデルを導入し,探索中の演算子間の適応選択を導出する頑健な期待改善(EI/J)スコアを定義する。 得られたエネルギーを意識した解法は、限られたエネルギーでフィットネスゲインを最大化することを目的として、自律的な探索と搾取を行う演算子を動的に選択する。 我々は、このフレームワークを3つの代表的なメタヒューリスティック(定常GA、PSO、ILS)でインスタンス化する。 ヘテロジニアス結合問題(Knapsack、NKランドスケープ、Error-Correcting Codes)の実験では、エネルギーを意識した変種は、エネルギーを意識しないベースラインよりもはるかに少ないエネルギーで、常に同等の適合度に達することが示されている。 EI/J値は早期に安定し、明確な演算子選択パターンが得られる。

関連論文リスト

• Energy-Aware Routing to Large Reasoning Models [12.12696006896269]
  大きな推論モデル(LRM)は、不均一な推論エネルギーコストを持つ。 エネルギーを低減させるためには、正しいLRMを選択し、正しい方法で操作することが重要である。
  論文  参考訳（メタデータ） (2025-12-23T17:33:29Z)
• Learning to Rank Chain-of-Thought: Using a Small Model [77.75522308463667]
  本稿では、この課題に対処するために設計された高効率で軽量な検証器であるEORM(Energy Outcome Reward Model)を紹介する。 EORMはエネルギーベースのフレームワークを使用してChain-of-Thought(CoT)ソリューションをランク付けし、単純な結果ラベルだけで誤った推論と正しく区別することを学ぶ。 55Mのパラメータだけで、通常の報酬モデルより127倍以上小さいEORMは、Llama 3 8Bの精度をGSM8kで90.7%、MATHで63.7%に向上させた。
  論文  参考訳（メタデータ） (2025-05-21T01:06:29Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Energy-Aware Dynamic Neural Inference [39.04688735618206]
  エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。 環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。 我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
  論文  参考訳（メタデータ） (2024-11-04T16:51:22Z)
• Sustainable Edge Intelligence Through Energy-Aware Early Exiting [0.726437825413781]
  EHエッジインテリジェンスシステムにおいて,エネルギー適応型動的早期退避を提案する。 提案手法は, サンプルごとの最適計算量を決定する, エネルギー対応のEEポリシーを導出する。 その結果, エネルギーに依存しない政策と比較して, 精度は25%, サービスレートは35%向上した。
  論文  参考訳（メタデータ） (2023-05-23T14:17:44Z)
• Attention Mechanism with Energy-Friendly Operations [61.58748425876866]
  我々はエネルギー消費の観点から注意機構を再考する。 我々は、乗算を選択的操作または加算に置き換えることで、新しい注意モデルを構築する。 3つの機械翻訳タスクにおける実験結果から,提案手法が再現可能な精度を実現することを示す。
  論文  参考訳（メタデータ） (2022-04-28T08:50:09Z)
• ECO: Enabling Energy-Neutral IoT Devices through Runtime Allocation of Harvested Energy [0.8774604259603302]
  本稿では,エネルギー制約下での目標デバイスの有用性を最適化するランタイムベースのエネルギー配分フレームワークを提案する。 提案フレームワークは, 効率的な反復アルゴリズムを用いて, 初期エネルギー割り当てを1日の初めに計算する。 このフレームワークは、太陽と運動エネルギーの収穫モードと、4772の異なるユーザーからのアメリカンタイムユースサーベイデータを使用して評価します。
  論文  参考訳（メタデータ） (2021-02-26T17:21:25Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。