論文の概要: An effective Genetic Programming Hyper-Heuristic for Uncertain Agile Satellite Scheduling

• arxiv url: http://arxiv.org/abs/2602.15070v1
• Date: Sun, 15 Feb 2026 02:09:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:17.850453
• Title: An effective Genetic Programming Hyper-Heuristic for Uncertain Agile Satellite Scheduling
• Title（参考訳）: 不確実なアジャイル衛星スケジューリングのための効果的な遺伝的プログラミング
• Authors: Yuning Chen, Junhua Xue, Wangqi Gu, Mingyan Shao,
• Abstract要約: 効果的な遺伝的プログラミングハイパーヒューリスティックはスケジューリングポリシーの生成を自動化するように設計されている。 進化したスケジューリングポリシーは、リアルタイムで計画を調整するために利用することができ、非常にうまく機能する。
• 参考スコア（独自算出の注目度）: 7.511388506308957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates a novel problem, namely the Uncertain Agile Earth Observation Satellite Scheduling Problem (UAEOSSP). Unlike the static AEOSSP, it takes into account a range of uncertain factors (e.g., task profit, resource consumption, and task visibility) in order to reflect the reality that the actual information is inherently unknown beforehand. An effective Genetic Programming Hyper-Heuristic (GPHH) is designed to automate the generation of scheduling policies. The evolved scheduling policies can be utilized to adjust plans in real time and perform exceptionally well. Experimental results demonstrate that evolved scheduling policies significantly outperform both well-designed Look-Ahead Heuristics (LAHs) and Manually Designed Heuristics (MDHs). Specifically, the policies generated by GPHH achieve an average improvement of 5.03% compared to LAHs and 8.14% compared to MDHs.
• Abstract（参考訳）: 本稿では,未確定なアジャイル地球観測衛星スケジューリング問題(UAEOSSP)について検討する。 静的AEOSSPとは異なり、実際の情報が本質的に未知であるという事実を反映するために、不確実な要因(例えば、タスク利益、リソース消費、タスク可視性)を考慮に入れている。 効果的な遺伝的プログラミングハイパーヒューリスティック(GPHH)はスケジューリングポリシーの自動生成を目的としている。 進化したスケジューリングポリシーは、リアルタイムで計画を調整するために利用することができ、非常にうまく機能する。 実験の結果、進化したスケジューリングポリシーは、よく設計されたLook-Ahead Heuristics (LAHs) と Manually Designed Heuristics (MDHs) の両方より大幅に優れていた。 具体的には、GPHHによって生成されるポリシーは、LAHと比べて平均5.03%改善し、MDHよりも8.14%改善した。

関連論文リスト

• GATES: Cost-aware Dynamic Workflow Scheduling via Graph Attention Networks and Evolution Strategy [7.653021685451039]
  コスト対応の動的スケジューリング(CADWS)はクラウドコンピューティングにおける重要な課題である。 深部強化学習(DRL)は、自動スケジューリングポリシー設計に広く用いられている。 本研究では,グラフアテンションネットワークに基づくポリシーネットワークと,GATESと呼ばれる進化戦略を組み合わせた新しいDRL手法を提案する。
  論文  参考訳（メタデータ） (2025-05-18T10:38:41Z)
• Improving Large Language Model Planning with Action Sequence Similarity [50.52049888490524]
  本研究では,インコンテキスト学習(ICL)によるモデル計画能力の向上について検討する。 GRASE-DC は2段階のパイプラインで,まず高効率のAS例を再サンプリングし,選択した例をキュレートする。 実験の結果,GRASE-DCは様々な計画タスクにおいて大幅な性能向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-05-02T05:16:17Z)
• Learning from Reward-Free Offline Data: A Case for Planning with Latent Dynamics Models [79.2162092822111]
  我々は,一連のナビゲーションタスクにおいて,強化学習(RL)と制御に基づく手法を体系的に評価する。 我々は、JEPA(Joint Embedding Predictive Architecture)を使用して、潜在ダイナミクスモデルを使用し、それを計画に使用します。 その結果,モデルベースプランニングではレイアウトが不明瞭になるのに対して,モデルフリーのRLは高品質なデータから恩恵を受けることがわかった。
  論文  参考訳（メタデータ） (2025-02-20T18:39:41Z)
• Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach [57.788675205519986]
  我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。 我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。 ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
  論文  参考訳（メタデータ） (2024-02-29T15:36:01Z)
• Graph Neural Networks for the Offline Nanosatellite Task Scheduling Problem [6.650027907238541]
  本研究では,グラフニューラルネットワーク(GNN)を用いて,ナノサテライトタスクをより効率的にスケジュールする方法を検討する。 目標は、QoS(Quality-of-Service)を考慮して、軌道上で実行するタスクの最適なスケジュールを見つけることである。
  論文  参考訳（メタデータ） (2023-03-24T03:17:28Z)
• Dealing with Sparse Rewards in Continuous Control Robotics via Heavy-Tailed Policies [64.2210390071609]
  本稿では,連続制御問題におけるスパース報酬の課題に対処するため,HT-PSG(Heavy-Tailed Policy Gradient)アルゴリズムを提案する。 高平均累積報酬の観点から,全タスクに一貫したパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-06-12T04:09:39Z)
• MAP-Elites based Hyper-Heuristic for the Resource Constrained Project Scheduling Problem [0.3359875577705538]
  資源制約型プロジェクトスケジューリング問題(RCPSP)はNP-Hard最適化問題である。 本稿では, MAP-Elites を用いたハイパーヒューリスティック (MEHH) を用いて, RCPSP の効率的な優先ルールの自動発見を行う。
  論文  参考訳（メタデータ） (2022-04-24T01:49:59Z)
• Deep Reinforcement Agent for Scheduling in HPC [1.6569798882223303]
  クラスタスケジューラは、利用可能なシステムリソースにいつ、どのユーザジョブを割り当てるべきかを決定する。 本研究では,深層強化学習を活用したDRAS(Deep Reinforcement Agent for Scheduling)と呼ばれる自動HPCスケジューリングエージェントを提案する。
  論文  参考訳（メタデータ） (2021-02-11T20:08:38Z)
• Hierarchical Reinforcement Learning as a Model of Human Task Interleaving [60.95424607008241]
  我々は、強化学習によって駆動される監督制御の階層モデルを開発する。 このモデルは、タスクインターリービングの既知の経験的効果を再現する。 その結果、階層的RLがタスクインターリービングのもっともらしいモデルとして支持された。
  論文  参考訳（メタデータ） (2020-01-04T17:53:28Z)
• Improving a State-of-the-Art Heuristic for the Minimum Latency Problem with Data Mining [69.00394670035747]
  ハイブリッドメタヒューリスティックスは、オペレーション研究のトレンドとなっている。 成功例は、Greedy Randomized Adaptive Search Procedures (GRASP)とデータマイニング技術を組み合わせたものだ。
  論文  参考訳（メタデータ） (2019-08-28T13:12:30Z)

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。