論文の概要: Transfer Learning of Multiobjective Indirect Low-Thrust Trajectories Using Diffusion Models and Markov Chain Monte Carlo

• arxiv url: http://arxiv.org/abs/2605.09125v1
• Date: Sat, 09 May 2026 19:15:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 02:24:05.524081
• Title: Transfer Learning of Multiobjective Indirect Low-Thrust Trajectories Using Diffusion Models and Markov Chain Monte Carlo
• Title（参考訳）: 拡散モデルとマルコフ連鎖モンテカルロを用いた多目的間接低推力軌道の伝達学習
• Abstract要約: 本稿では,ミッションパラメータにおけるホモトピーとマルコフ連鎖モンテカルロ(MCMC)を組み合わせることによって,より効率的にトレーニングデータを生成するトランスファーラーニングフレームワークを提案する。 テスト転送のために提案したフレームワークは、最先端の間接的アプローチよりも40%多く実現可能なソリューションを生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Preliminary low-thrust spacecraft mission design is a global search problem characterized by a complex solution landscape, multiple objectives, and numerous local minima. During this phase, mission parameters are often not yet fully defined, requiring new solutions to be generated at a high cadence across varying parameter values. When combined with the indirect approach to optimal control, diffusion models can accelerate this search by learning distributions that represent high-quality initial costates. However, generating training data remains expensive, and opportunities exist to better exploit past data. We propose a transfer-learning framework that combines homotopy in a mission parameter with Markov chain Monte Carlo (MCMC) to generate training data more efficiently. The approach reformulates a multiobjective optimization problem as sampling from an unnormalized target distribution in costate space. We compare three MCMC algorithms on a planar multi-revolution transfer in the circular restricted three-body problem, with homotopy in the system mass parameter. The results show that gradient-based MCMC variants achieve the best trade-off between sample quality and computational cost. For the test transfer, the proposed framework generates 40 % more feasible solutions and achieves a higher-quality Pareto front than a state-of-the-art indirect approach based on adjoint control transformations and gradient-based optimization. Finally, the MCMC-generated samples are used to fine-tune a diffusion model conditioned on the mass parameter, enabling it to learn a global representation of the underlying solution distribution and efficiently generate new solutions. These findings establish the transfer-learning framework as a practical method for efficiently solving indirect trajectory optimization problems with varying parameters.
• Abstract（参考訳）: 予備的な低推力宇宙船のミッション設計は、複雑な解の風景、複数の目的、および多くの局所的なミニマを特徴とする地球規模の探索問題である。 このフェーズでは、ミッションパラメータはまだ完全に定義されていないことが多く、様々なパラメータ値にまたがる高いケイデンスで新しいソリューションを生成する必要がある。 最適制御への間接的アプローチと組み合わせることで、拡散モデルは、高品質の初期コストを表す分布を学習することで、この探索を加速することができる。 しかし、トレーニングデータの生成は高価であり、過去のデータをうまく活用する機会がある。 本稿では,ミッションパラメータにおけるホモトピーとマルコフ連鎖モンテカルロ(MCMC)を組み合わせることによって,より効率的にトレーニングデータを生成するトランスファーラーニングフレームワークを提案する。 この手法は、コスト空間における非正規化対象分布からのサンプリングとして多目的最適化問題を再構成する。 我々は,3つのMCMCアルゴリズムを円制限された3体問題における平面多変量変換において,系質量パラメータのホモトピーと比較した。 その結果, 勾配に基づくMCMC変種は, 試料品質と計算コストの最良のトレードオフを実現することがわかった。 テスト転送において,提案フレームワークは,適応制御変換と勾配に基づく最適化に基づく最先端の間接的アプローチよりも,40%高い実現可能なソリューションを生成し,高品質なParetoフロントを実現する。 最後に、MCMC生成サンプルを用いて、質量パラメータに条件付き拡散モデルを微調整し、基礎となる解分布のグローバルな表現を学習し、新しい解を効率的に生成する。 これらの知見は,パラメータの異なる間接軌道最適化問題を効率的に解くための実践的手法として,トランスファーラーニングフレームワークを確立した。

関連論文リスト

• Gradient-Informed Monte Carlo Fine-Tuning of Diffusion Models for Low-Thrust Trajectory Design [0.0]
  循環三体問題における宇宙船軌道のグローバル探索は、複雑な客観的な景観と多くの局所的なミニマによって特徴づけられる。 局所最適解の近傍でサポートされた非正規分布からのサンプリングとして問題を定式化することは、連鎖モンテカルロ法をデプロイする機会を与える。 本研究では,従来の自己教師付き拡散モデル微調整フレームワークを拡張し,勾配インフォームドマルコフ連鎖モンテカルロを用いた。
  論文  参考訳（メタデータ） (2025-12-09T15:21:11Z)
• Self-supervised diffusion model fine-tuning for costate initialization using Markov chain Monte Carlo [0.0]
  最適軌道解の分布を表すために条件付き拡散モデルを用いる。 次に,マルコフ・チェイン・モンテカルロアルゴリズムと自己教師型微調整を用いた新しい手法を紹介する。 サンプル品質を改善する能力を示す2つの問題について, 数値実験を行った。
  論文  参考訳（メタデータ） (2025-10-02T19:54:59Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Global Search for Optimal Low Thrust Spacecraft Trajectories using Diffusion Models and the Indirect Method [0.0]
  長周期の低推力非線形最適宇宙船軌道グローバルサーチは、計算的かつ時間的に高価な問題である。 生成機械学習モデルは、条件パラメータに関して、ソリューション構造がどのように変化するかを学ぶために訓練することができる。 最先端拡散モデルは、グローバル検索フレームワーク内での軌道最適化のための間接的アプローチと統合される。
  論文  参考訳（メタデータ） (2025-01-13T01:49:17Z)
• Over-the-Air Fair Federated Learning via Multi-Objective Optimization [52.295563400314094]
  本稿では,公平なFLモデルを訓練するためのOTA-FFL(Over-the-air Fair Federated Learning Algorithm)を提案する。 OTA-FFLの公正性とロバストな性能に対する優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2025-01-06T21:16:51Z)
• Global Search of Optimal Spacecraft Trajectories using Amortization and Deep Generative Models [0.5898893619901381]
  パラメータ化された大域的探索問題を,高品質な解に対するアトラクションの局所的な流域の近傍を支援して条件付き確率分布をサンプリングするタスクとして定式化する。 この手法は、円形に制限された3体問題における低推力宇宙船軌道最適化問題でベンチマークされる。 また,低推力宇宙船軌道最適化問題のマルチモーダルファンネル構造を詳細に解析する。
  論文  参考訳（メタデータ） (2024-12-28T04:57:12Z)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• Annealed Stein Variational Gradient Descent for Improved Uncertainty Estimation in Full-Waveform Inversion [25.714206592953545]
  変分推論 (VI) は、パラメトリックまたは非パラメトリックな提案分布の形で後部分布に近似的な解を与える。 本研究は、フルウェーブフォーム・インバージョンにおけるVIの性能向上を目的としている。
  論文  参考訳（メタデータ） (2024-10-17T06:15:26Z)
• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  生成拡散モデルは、様々なクロスドメインアプリケーションで人気がある。 これらのモデルは複雑なネットワーク最適化問題に対処する上で有望である。 本稿では拡散モデルに基づく解生成という,拡散モデル生成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T07:56:21Z)
• Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
  Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。 本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。 我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
  論文  参考訳（メタデータ） (2022-09-27T07:58:25Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)

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。