論文の概要: A Multi-Agent system for Multi-Objective constrained optimization

• arxiv url: http://arxiv.org/abs/2606.20236v1
• Date: Thu, 18 Jun 2026 13:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.889096
• Title: A Multi-Agent system for Multi-Objective constrained optimization
• Title（参考訳）: 多目的制約最適化のためのマルチエージェントシステム
• Abstract要約: 本稿では,マルチエージェントRLによるバランス問題へのアプローチであるMAMOを提案する。 MAMOは、学習問題として報酬重みの選択を定式化することにより、目的設計からタスク実行を分離する。
• 参考スコア（独自算出の注目度）: 0.22561862507101035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many decision-making problems in computing and networking systems can be naturally formulated as cost-minimization problems under performance constraints. In dynamic environments, reinforcement learning (RL) is often used to solve such problems at runtime by embedding both costs and constraint violations into a single scalar reward through weighted penalty terms, following a Lagrangian-inspired formulation. However, in this context the behavior of the learned policy critically depends on the choice of these weights, which are typically selected manually. This makes it difficult to identify an appropriate trade-off between optimizing the primary objective and effectively avoiding constraint violations, particularly in non-stationary environments where their relative importance may change. This paper presents MAMO (Multi-Agent system for Multi-Objective constrained optimization), an approach to tackle this balancing problem through multi-agent RL. MAMO decouples task execution from objective design by formulating the selection of reward weights as a learning problem, providing a !rst step towards more autonomous and robust RL-based solutions for constrained optimization problems in dynamic environments.
• Abstract（参考訳）: コンピューティングやネットワークシステムにおける多くの意思決定問題は、性能制約下でのコスト最小化問題として自然に定式化することができる。 動的環境において、強化学習(RL)は、コストと制約違反の両方を重み付きペナルティ項によって単一のスカラー報酬に埋め込むことによって、実行時にそのような問題を解決するためにしばしば用いられる。 しかし、この文脈では、学習されたポリシーの振る舞いは、通常手動で選択されるこれらの重みの選択に批判的に依存する。 これにより、特に相対的な重要性が変わる可能性のある非定常環境において、主目的の最適化と制約違反の効果的回避との間の適切なトレードオフを特定することが困難になる。 本稿では,多目的制約最適化のためのMAMO(Multi-Agent System for Multi-Objective constrained Optimization)を提案する。 MAMOは、学習問題として報酬重みの選択を定式化し、目的設計からタスク実行を分離し、! rst は動的環境における制約付き最適化問題に対するより自律的で堅牢な RL ベースのソリューションへと進む。

関連論文リスト

• Sample-Efficient Pareto Front Modeling for Energy-Aware Reinforcement Learning Using Bayesian Optimization [0.40831821256838124]
  この研究は、最適なトレードオフポリシーを見つけるために、ウェイトセレクションプロセスを自動化するという課題に対処する。 重み選択過程を多目的ベイズ最適化(MOBO)問題として定式化する。 1-DoFピッチ制御のための物理クアンサー・エアロ2テストベッドを用いて,本実験の結果から,望まれる超体積改善(qEHVI)獲得関数を用いたMOBOアプローチが一様グリッドサンプリングより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2026-07-03T09:28:50Z)
• Preference-Agile Multi-Objective Optimization for Real-time Vehicle Dispatching [30.864388536113797]
  そこで本論文では,ユーザの嗜好を動的に調整し,インタラクティブにアサインできるようにするために,PAMOO(Reference-agile Multi-Objective Optimization)を提案する。 コンテナ端末における実生活車両の派遣問題に対する挑戦実験により, PAMOOは優れた性能と一般化能力が得られることを示した。
  論文  参考訳（メタデータ） (2026-04-12T14:39:41Z)
• MO-MIX: Multi-Objective Multi-Agent Cooperative Decision-Making With Deep Reinforcement Learning [68.91090643731987]
  深部強化学習(RL)は複雑な意思決定問題を解決するために広く応用されている。 既存のアプローチは、別々のフィールドに限られており、単一の目的でマルチエージェントの意思決定しか処理できない。 マルチオブジェクト型マルチエージェント強化学習(MOMARL)問題の解法としてMO-mixを提案する。
  論文  参考訳（メタデータ） (2026-02-28T16:25:22Z)
• UC-MOA: Utility-Conditioned Multi-Objective Alignment for Distributional Pareto-Optimality [52.49062565901046]
  Reinforcement Learning from Human Feedback (RLHF) は、大きな言語モデルと人間の価値を整合させる基盤となっている。 既存のアプローチは、人間の好みの多次元、分布的なニュアンスを捉えるのに苦労している。 本稿では,これらの制約を克服する新しいフレームワークであるUtility-Conditioned Multi-Objective Alignment (UC-MOA)を紹介する。
  論文  参考訳（メタデータ） (2025-03-10T09:52:42Z)
• UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [51.00436121587591]
  マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。 重みベクトル w でパラメトリした線型効用関数の場合に焦点を当てる。 学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T09:34:42Z)
• Rewards-in-Context: Multi-objective Alignment of Foundation Models with Dynamic Preference Adjustment [46.44464839353993]
  リワード・イン・コンテキスト(Rewards-in-Context, RiC)を導入する。 RiCは単一のファンデーションモデルの教師付き微調整のみを必要とし、推論時間中にユーザの好みを動的に調整する。
  論文  参考訳（メタデータ） (2024-02-15T18:58:31Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Multi-Objective Optimization for Sparse Deep Multi-Task Learning [0.0]
  重み付きチェビシェフスキャラライゼーションを用いたディープニューラルネットワーク(DNN)のトレーニングのための多目的最適化アルゴリズムを提案する。 本研究の目的は,DNNモデルの持続可能性問題,特にDeep Multi-Taskモデルに焦点をあてることである。
  論文  参考訳（メタデータ） (2023-08-23T16:42:27Z)
• Multi-Objective Constrained Optimization for Energy Applications via Tree Ensembles [55.23285485923913]
  エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。 場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。 本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
  論文  参考訳（メタデータ） (2021-11-04T20:18:55Z)
• 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)
• 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。