論文の概要: Learning to Optimize: Joint Routing and Flow Allocation on Sparse Non-Euclidean Networks
- arxiv url: http://arxiv.org/abs/2607.23467v1
- Date: Sun, 26 Jul 2026 05:30:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.110247
- Title: Learning to Optimize: Joint Routing and Flow Allocation on Sparse Non-Euclidean Networks
- Title（参考訳）: 最適学習:スパース非ユークリッドネットワークにおける共同ルーティングとフローアロケーション
- Abstract要約: 本研究では,スパースな非ユークリッドネットワーク上でのピックアップ・アンド・デリバリ問題について検討する。
本稿では,エンドツーエンドの強化学習フレームワークであるDouble-Channel Graph Attention (DCGA)を提案する。
- 参考スコア（独自算出の注目度）: 4.631384046993308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study an integrated pickup-and-delivery problem on sparse, non-Euclidean networks that jointly optimizes cyclic routing, cargo flow allocation, and cross-cycle service. The tight coupling of these operational constraints creates a complex discrete-continuous decision space with highly restricted feasible regions. To overcome these computational challenges, we propose Double-Channel Graph Attention (DCGA), an end-to-end reinforcement learning framework. DCGA isolates network reachability and demand-service logic into separate graph channels and constructs valid routes using a simulator-coupled, constraint-informed decoder. Experiments on LinerLib benchmarks demonstrate that DCGA achieves seconds-level inference and delivers state-of-the-art solution quality on instances beyond a specific scale, with its advantage over existing baselines widening significantly as problem size increases. Supported by extensive stability and ablation analyses, our results demonstrate that this structure-aware learning approach provides an effective, low-latency engine for realistic routing-and-flow optimization.
- Abstract（参考訳）: 本研究では, 循環ルーティング, 貨物フロー割り当て, クロスサイクルサービスを共同で最適化するスパース非ユークリッドネットワークにおいて, ピックアップ・アンド・デリバリの総合的な問題について検討する。
これらの操作的制約の密結合は、非常に制限可能な領域を持つ複雑な離散連続決定空間を生成する。
このような計算課題を克服するために、エンドツーエンドの強化学習フレームワークであるDouble-Channel Graph Attention (DCGA)を提案する。
DCGAは、ネットワークの到達性と要求サービスロジックを別々のグラフチャネルに分離し、シミュレータ結合された制約インフォームドデコーダを使用して有効なルートを構築する。
LinerLibベンチマークの実験は、DCGAが秒単位の推論を達成し、特定のスケールを超えるインスタンスに最先端のソリューション品質を提供することを示した。
この構造認識学習手法は, 現実的なルーティング・アンド・フロー最適化に有効な低レイテンシ・エンジンを提供することを示す。
関連論文リスト
- Spatial-Temporal Learning-Based Distributed Routing for Dynamic LEO Satellite Networks [0.2994333558834796]
本稿では,低地球軌道(LEO)衛星ネットワークのための時空間学習に基づく分散ルーティングフレームワークを提案する。
提案手法は,グリーンAIの観点から,炭素排出量の無視による計算オーバーヘッドを低く抑え,その効率性を実証する。
論文 参考訳（メタデータ） (2026-05-04T10:05:43Z) - Joint Optimization of Model Partitioning and Resource Allocation for Anti-Jamming Collaborative Inference Systems [52.842088497389746]
この手紙は、悪意のあるジャマーの存在下での、アンチジャミングの協調推論システムに焦点を当てている。
まず、ジャミングとDNNパーティショニングがデータ回帰による推測精度に与える影響を解析する。
問題を3つのサブプロブレムに分解する,効率的な交互最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-03-03T03:52:52Z) - Blockchain-Enabled Routing for Zero-Trust Low-Altitude Intelligent Networks [77.17664010626726]
低高度インテリジェントネットワーク(LAIN)における複数のUAVクラスタによるルーティングに焦点を当てる。
潜在的な脅威によるダメージを最小限に抑えるため,ソフトウェア定義の周辺技術とブロックチェーン技術を用いたゼロトラストアーキテクチャを提案する。
提案手法は,平均E2E遅延を59%削減し,TSRを29%改善することを示した。
論文 参考訳（メタデータ） (2026-02-27T04:30:35Z) - QoS-Aware Hierarchical Reinforcement Learning for Joint Link Selection and Trajectory Optimization in SAGIN-Supported UAV Mobility Management [52.15690855486153]
宇宙空間統合ネットワーク (SAGIN) がユビキタスUAV接続を実現するための重要なアーキテクチャとして登場した。
本稿では,SAGINにおけるUAVモビリティ管理を制約付き多目的関節最適化問題として定式化する。
論文 参考訳（メタデータ） (2025-12-17T06:22:46Z) - A Differentiable Digital Twin of Distributed Link Scheduling for Contention-Aware Networking [42.12511690811535]
ネットワークコンテキストからリンクデューティサイクルを予測する解析ネットワークディジタルツイン(NDT)を開発した。
NDTはパケットレベルのシミュレーションよりも最大5000倍のスピードアップでリンクデューティサイクルと混雑パターンを正確に予測する。
論文 参考訳（メタデータ） (2025-12-11T18:04:30Z) - Transferable Graph Learning for Transmission Congestion Management via Busbar Splitting [0.688204255655161]
バスバー分割によるネットワークトポロジ最適化(NTO)は、送電網の混雑を緩和し、再分散コストを低減する。
機械学習(ML)アプローチは有望な代替手段として登場したが、見当たらないトポロジに限定して一般化されている。
本稿では,線形化AC PFを考慮した混雑管理問題に対するNTOを定式化し,グラフニューラルネットワーク(GNN)の高速化手法を提案する。
論文 参考訳（メタデータ） (2025-10-23T14:16:23Z) - Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。
提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
論文 参考訳（メタデータ） (2025-09-16T08:48:44Z) - Backscatter Device-aided Integrated Sensing and Communication: A Pareto Optimization Framework [59.30060797118097]
統合センシング・通信(ISAC)システムは、密集した都市非視線シナリオにおいて大きな性能劣化に遭遇する可能性がある。
本稿では,自然環境に分散した受動的BDを利用した後方散乱近似(BD)支援ISACシステムを提案する。
論文 参考訳（メタデータ） (2025-07-12T17:11:06Z) - Heterogeneous Resource Allocation for Ensuring End-to-End Quality of Service in Multi-hop Integrated Access and Backhaul Network [0.0]
マルチホップ統合アクセス・バックホール(IAB)アーキテクチャは、ネットワーク密度化のための費用対効果の高いソリューションとして登場した。
動的時間分割デュプレックス(D-TDD)は、非対称なアップリンクとダウンリンクのトラフィックを持つ非常にダイナミックなシナリオに適応する、有望なソリューションです。
統合最適化問題(IOP)をサブプロブレムに分解して解空間を小さくする。
システム全体のソリューションを実現するために,一元的ヘテロジニアマルチフォロガーのStackelberg-gameベースのリソース割り当て方式を提案する。
論文 参考訳（メタデータ） (2025-04-04T16:29:08Z) - GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。
提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
論文 参考訳（メタデータ） (2024-05-21T03:33:07Z) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳（メタデータ） (2023-02-02T18:27:20Z)
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。