論文の概要: Robust Metaheuristics under Uncertainty for Berth Allocation and Quay Crane Assignment: A Review

• arxiv url: http://arxiv.org/abs/2608.19214v2
• Date: Tue, 08 Sep 2026 08:33:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.267517
• Title: Robust Metaheuristics under Uncertainty for Berth Allocation and Quay Crane Assignment: A Review
• Title（参考訳）: Berth Allocation と Quay Crane Assignment の不確実性下におけるロバストメタヒューリスティックス
• Abstract要約: バース割当とクレーン割当問題(BACAP)は、海上輸送と貨物輸送において代表的な港湾ターミナルスケジューリング問題である。 到着逸脱、処理時間変動などの不確実性の下では、明示的な仮定の下で最適化されたスケジュールは実行中に脆弱になる可能性がある。 人口ベースメタヒューリスティックスはBACAPと関連するポートスケジューリング問題に広く用いられている。 本稿では,不確実性下でのBACAPのロバストな人口ベースメタヒューリスティックスに焦点をあてた最初のレビューを行う。
• 参考スコア（独自算出の注目度）: 5.69683701398005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The berth allocation and quay crane assignment problem (BACAP) is a representative port-terminal scheduling problem in maritime transportation and freight logistics, where vessel arrivals, berth positions, service durations, and quay?crane availability are tightly coupled. Under uncertainties such as arrival deviations, handling-time fluctuations, and resource disruptions, schedules optimized under nominal assumptions may become fragile during execution, motivating the study of robust metaheuristic optimization for BACAP in port-terminal operations. Although population-based metaheuristics have been widely used for BACAP and related port-scheduling problems, existing studies remain fragmented in their uncertainty repre?sentations, robustness criteria, search mechanisms, and empir?ical evaluation protocols. To the best of our knowledge, this paper provides the first focused review dedicated to robust population-based metaheuristics for BACAP under uncertainty. We first summarize uncertainty sources and information repre?sentations in BACAP, and then organize existing methods from a mechanism-oriented perspective, covering solution representation and decoding, robust evaluation and selection, robustness-guided search dynamics, and feasibility preservation and recovery. We further present a benchmark suite for uncertain BACAP to support controlled empirical comparison and report illustrative baseline results by combining representative metaheuristics with different robustness strategies. Finally, we identify open chal?lenges related to benchmark extension, robustness-aware search design, time-adaptive robustness, and non-stationary uncertainty.
• Abstract（参考訳）: バース割当とクレーン割当問題(BACAP)は、海上輸送や貨物輸送において、船舶の到着、停泊位置、就航期間、干ばつといった代表的な港湾ターミナルスケジューリング問題である。 クレーンの可用性は 密接な結合です 到着逸脱、取扱い時間変動、資源破壊などの不確実性の下で、明示的な仮定の下で最適化されたスケジュールは実行中に脆弱になり、ポート・ターミナル操作におけるBACAPの堅牢なメタヒューリスティック最適化の研究を動機付けている。 人口ベースメタヒューリスティクスはBACAPと関連ポートスケジューリング問題に広く用いられているが、既存の研究は不確実性回復において断片化されているか? 推理 堅牢性基準 探索機構 経験? IC評価プロトコル 本報告では, BACAP の個体群ベースメタヒューリスティックスを, 不確実性の下で, より堅牢なメタヒューリスティックスに焦点をあてた最初のレビューを行う。 まず、不確実性ソースと情報リフレを要約する。 BACAPの送信は、既存のメソッドをメカニズム指向の観点から整理し、ソリューション表現とデコード、ロバストな評価と選択、ロバストな誘導探索ダイナミクス、実現可能性の維持と回復を網羅する。 さらに,定型的メタヒューリスティックと異なるロバスト性戦略を組み合わせることで,制御された経験的比較をサポートし,実証的ベースラインの結果を報告するための不確実なBACAPのためのベンチマークスイートを提案する。 最後に、オープンチョールを識別しますか? ベンチマーク拡張、堅牢性に配慮した検索設計、時間順応性、非定常不確実性に関連するレンジ。

関連論文リスト

• Conformal Robustness in Prediction-Driven Decision-Making [2.279145575055518]
  我々は,任意の固定点予測器を決定関連不確実性表現に変換するスコア校正型ロバストネスフレームワークを構築した。 我々は、厳密性の原始単位として、特定の不確実性集合ではなく、共形スコアを用いる。 我々の研究は、下流決定のための解釈可能な不確実性尺度を持つ固定されたブラックボックス予測器をコンフォーマルスコアが与えていることを示している。
  論文  参考訳（メタデータ） (2026-09-19T18:43:13Z)
• Complex Problem Solving in Large Language Models: A Statistical Control Survey and Diagnostic Framework [52.886947585847594]
  大規模言語モデル(LLM)による複雑な問題解決は、しばしばより強い推論やより長い生成の問題としてフレーム化される。 しかし、早期のエラー増幅、迅速な脆さ、誤ったコミットメントを修正する失敗を説明するのは難しい。 本調査はCPSを潜在解状態上の逐次推定・決定問題と解釈する。
  論文  参考訳（メタデータ） (2026-09-17T18:28:45Z)
• Decoupling Thought from Speech: Knowledge-Grounded Counterfactual Reasoning for Resilient Multi-Agent Argumentation [0.0]
  マルチエージェントの議論フレームワークは、収束タスクにおける大きな言語モデルのパフォーマンスを改善することが示されている。 これらのフレームワークは現在、プロセスの安定性よりも最終的な出力精度を強く好んで最適化されている。 本稿では,KG-CFR(Knowledge-Grounded Counterfactual Reasoning)について紹介する。
  論文  参考訳（メタデータ） (2026-06-09T06:43:18Z)
• Exploring Agentic Tool-Calling Decisions via Uncertainty-Aligned Reinforcement Learning [63.24624171679711]
  大規模言語モデル(LLM)ベースのエージェントは、しばしば最適なツール使用の決定を行う。 本研究では、不確実性分離を維持するための推進力として、不確実性定量化を報酬設計に組み込んだTRUSTを提案する。
  論文  参考訳（メタデータ） (2026-06-05T07:08:34Z)
• BAPO: Boundary-Aware Policy Optimization for Reliable Agentic Search [72.87861928940929]
  バウンダリ・アウェア・ポリシー・オプティマイゼーション(BAPO)は、信頼性の高い境界認識を精度を損なうことなく育成する新しいRLフレームワークである。 BAPOは2つの重要な要素を導入する: (i) グループベースの境界対応報酬(i) 推論が限界に達したときのみIDK応答を促進させる) 適応報酬変調器(ii) 早期探索中にこの報酬を戦略的に停止させ、モデルがIDKをショートカットとして利用するのを防ぐ。
  論文  参考訳（メタデータ） (2026-01-16T07:06:58Z)
• ReasonBENCH: Benchmarking the (In)Stability of LLM Reasoning [2.1461777157838724]
  ReasonBENCHは,大規模言語モデル(LLM)推論における基盤不安定性を定量化する最初のベンチマークである。 異なる領域からのタスク全体で、推論戦略とモデルの大部分は高い不安定性を示す。 我々はさらに、解答率と安定性のトレードオフに対するプロンプト、モデル家族、スケールの影響を解析する。
  論文  参考訳（メタデータ） (2025-12-08T18:26:58Z)
• Aurora: Are Android Malware Classifiers Reliable and Stable under Distribution Shift? [51.12297424766236]
  AURORAは、その信頼性と運用上のレジリエンスに基づいて、マルウェア分類器を評価するためのフレームワークである。 AURORAは、ポイント・イン・タイムのパフォーマンスを超えるように設計されたメトリクスのセットによって補完される。 さまざまなドリフトのデータセットにわたるSOTAフレームワークの脆弱性は、ホワイトボードへの復帰の必要性を示唆している。
  論文  参考訳（メタデータ） (2025-05-28T20:22:43Z)
• ConCISE: Confidence-guided Compression in Step-by-step Efficient Reasoning [64.93140713419561]
  大型推論モデル (LRM) は、Chain-of-Thought (CoT) による複雑な推論タスクで強く機能するが、しばしば冗長な出力に悩まされる。 既存の微調整ベースの圧縮手法は、ポストホックプルーニングを動作させるか、コヒーレンスを推論する破壊を危険にさらすか、サンプリングベースの選択に依存するかのいずれかである。 ConCISEは、簡潔な推論連鎖を生成するために設計されたフレームワークであり、信頼注入を統合して推論の信頼性を高める。
  論文  参考訳（メタデータ） (2025-05-08T01:40:40Z)
• Deterministic Uncertainty Propagation for Improved Model-Based Offline Reinforcement Learning [12.490614705930676]
  本稿では,ベルマン目標計算によって得られたモンテカルロ試料数に対する準最適性の強い依存性を示す理論的結果を示す。 我々の主な貢献は、進行モーメントマッチングを利用するベルマン目標に対する決定論的近似である。 我々は,既存のモンテカルロサンプリング手法よりもMOMBOの準最適性について,より厳密な保証を提供することが可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-06T13:58:41Z)
• Uncertainty-Based Out-of-Distribution Classification in Deep Reinforcement Learning [17.10036674236381]
  アウト・オブ・ディストリビューションデータの誤予測は、機械学習システムにおける安全性の危機的状況を引き起こす可能性がある。 我々は不確実性に基づくOOD分類のためのフレームワークUBOODを提案する。 UBOODはアンサンブルに基づく推定器と組み合わせることで,信頼性の高い分類結果が得られることを示す。
  論文  参考訳（メタデータ） (2019-12-31T09:52:49Z)

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。