論文の概要: Stress-Relief Annealing: Polynomial-Time Simulation-Free Layout Optimization for Automated Warehouses
- arxiv url: http://arxiv.org/abs/2608.01024v1
- Date: Sun, 02 Aug 2026 05:59:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.065546
- Title: Stress-Relief Annealing: Polynomial-Time Simulation-Free Layout Optimization for Automated Warehouses
- Title（参考訳）: 応力緩和熱処理:自動倉庫の多項式時間シミュレーション-自由レイアウト最適化
- Abstract要約: 自動倉庫における物理的レイアウトの問題について検討し,数千から数千のロボットがパッケージを輸送するために調整されている。
本稿では,時間シミュレーションのないレイアウト最適化アルゴリズムであるSRAを提案する。
- 参考スコア（独自算出の注目度）: 27.365277885865407
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the problem of optimizing physical layouts for automated warehouses, where hundreds to thousands of robots are coordinated to transport packages. Previous works have shown that optimizing the warehouse layout (e.g., the physical location of the storage shelves) significantly improves throughput. However, state-of-the-art layout optimization approaches are based on evolutionary optimization methods, which treat the entire warehouse as a black box and rely on random mutation to search for high-quality layouts. While the optimization outcomes are promising, these methods require a massive number of simulations to evaluate candidate solutions, making them sample-inefficient. In this paper, we present Stress-Relief Annealing (SRA), a polynomial-time simulation-free layout optimization algorithm. SRA turns the task demand into a per-vertex \emph{stress field} that predicts where traffic will concentrate in the warehouse; the field's peak provably caps the throughput. Our experimental results show that (1) SRA improves both the throughput and the scalability of a human-designed warehouse, roughly doubling the number of robots it can sustain, (2) it matches or exceeds the throughput of the evolutionary baselines while taking only $19$ minutes on one CPU core, against their $25{,}000$ simulations and $25$ hours on a $64$-core machine, and (3) the gain generalizes across different Multi-Agent Path Finding algorithms, non-uniform task demands, and a warehouse with doubled dimensions.
- Abstract（参考訳）: 自動倉庫の物理的なレイアウトを最適化する問題について検討し、数百から数千のロボットが荷物を輸送するために調整されている。
これまでの研究によると、倉庫のレイアウト(例えば、ストレージ棚の物理的位置)を最適化することでスループットが大幅に向上した。
しかし、最先端のレイアウト最適化アプローチは、倉庫全体をブラックボックスとして扱い、高品質なレイアウトを探すためにランダムな突然変異に依存する進化的最適化手法に基づいている。
最適化の結果は期待できるが、これらの手法は候補解を評価するために膨大な数のシミュレーションを必要とするため、サンプル非効率になる。
本稿では,多項式時間シミュレーションフリーレイアウト最適化アルゴリズムであるSRAを提案する。
SRAはタスク要求を頂点あたりのemph{stress field}に変換して,トラフィックが倉庫に集中する場所を予測する。
実験の結果,(1)SRAは,人間の設計した倉庫のスループットとスケーラビリティの両方を向上し,維持可能なロボットの数を約2倍にし,(2)CPUコア1つでわずか19ドル(約1,300円)のシミュレーションと65ドル(約2,300円)のコアマシンで25ドル(約2,300円)の時間と,(3)異なるマルチエージェントパス探索アルゴリズム,非一様タスク要求,および2次元の倉庫のスループットをほぼ2倍に向上することがわかった。
関連論文リスト
- WarpMPC: Large-Batch MPC on GPU via ADMM with Unrolled $LDL^\top$ Factorization [19.701591585846014]
本稿では、逐次2次プログラミング(SQP)の繰り返しの大規模なバッチを解く際に、GPU上でのスループットを最大化する数値最適化を提案する。
この最適化は、JAX と Warp のモデル予測制御 (MPC) のためのツールボックス WarpMPC で実装されている。
非線形カートポール,四極子,ヒューマノイドロボットベンチマークを用いて,毎秒8,000～25万SQPのスループットを実現した。
論文 参考訳（メタデータ） (2026-07-13T14:27:47Z) - Amortized Neural Optimization for Pre-Layout Signal Integrity Design Space Exploration using Differentiable Surrogates [0.0]
本稿では,前SI設計のためのアモルタイズドニューラル最適化(ANO)を提案する。
ANOは、完全に微分可能なニューラルネットワークサロゲートモデルを利用することで、反復的なブラックボックス推論を完全に排除する。
論文 参考訳（メタデータ） (2026-06-05T17:13:44Z) - Learning-Augmented Scalable Linear Assignment Problem Optimization via Neural Dual Warm-Starts [19.540758462427878]
最適性と最悪の保証を維持しつつ、正確な代入解決を高速化する学習強化フレームワークを提案する。
グラフベースのモデルのメモリボトルネックを$mathcalO(N2)$で回避する軽量な行独立アーキテクチャであるRowDualNetを紹介します。
論文 参考訳（メタデータ） (2026-05-10T07:15:49Z) - $\nabla$-Reasoner: LLM Reasoning via Test-Time Gradient Descent in Latent Space [71.23672814629448]
$nabla$-Reasonerは、トークンログに対する差別化可能な最適化をデコードループに統合する反復生成フレームワークである。
$nabla$-Reasonerは、挑戦的な数学的推論ベンチマークで20%以上の精度の向上を実現している。
論文 参考訳（メタデータ） (2026-03-05T08:42:54Z) - Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。
LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。
私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
論文 参考訳（メタデータ） (2026-01-10T09:49:45Z) - FFT-based Dynamic Subspace Selection for Low-Rank Adaptive Optimization of Large Language Models [49.397861654088636]
低次元空間へのSVD/QRベースの勾配射影を近似する2段階の手順を提案する。
当社の戦略はランタイムの高速化とメモリ使用量の削減を,さまざまなモデルサイズで最大25%削減できることが示されています。
論文 参考訳（メタデータ） (2025-05-23T14:37:00Z) - Arbitrarily Scalable Environment Generators via Neural Cellular Automata [55.150593161240444]
NCA環境ジェネレータは, 環境サイズに関わらず, 整合性, 規則化されたパターンを維持可能であることを示す。
提案手法は,類似したパターンを持つ大規模環境に対して,単エージェント強化学習ポリシーを任意に拡張する。
論文 参考訳（メタデータ） (2023-10-28T07:30:09Z) - Multi-Robot Coordination and Layout Design for Automated Warehousing [55.150593161240444]
我々は、最先端のMAPFアルゴリズムであっても、人間設計のレイアウトは、多数のロボットを持つ倉庫の混雑を招きかねないことを示す。
倉庫のレイアウトを最適化するために,既存のシナリオ自動生成手法を拡張した。
その結果,(1)交通渋滞の低減とスループットの向上,(2)ロボットの数を2倍にすることで自動倉庫のスケーラビリティの向上,(3)ユーザが特定した多様性対策でレイアウトを生成できることが示唆された。
論文 参考訳（メタデータ） (2023-05-10T20:00:06Z) - Learning to Schedule Heuristics for the Simultaneous Stochastic
Optimization of Mining Complexes [2.538209532048867]
提案したL2P(Learning-to-perturb)ハイパーヒューリスティックは,マルチ隣り合うシミュレートアニールアルゴリズムである。
L2Pは、効率、堅牢性、一般化能力に重点を置いて、いくつかの実世界の鉱業施設で試験されている。
その結果,反復回数を30～50%削減し,計算時間を30～45%削減した。
論文 参考訳（メタデータ） (2022-02-25T18:20:14Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳（メタデータ） (2020-02-04T20:00:28Z)
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。