抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
多目的コンビナトリアル最適化(MOCO)問題は,多くの実世界アプリケーションで見つけることができる。しかし,これらの問題を正確に解決することは,特にNP困難である場合,非常に困難である。過去数十年にわたる異なるMOCO問題に取り組むために,多くの手作業発見的方法が提案されている。本研究では,ニューラルコンビナトリアル最適化のアイデアを一般化し,さらに探索手順なしに与えられたMOCO問題に対する全パレート集合を近似するための学習ベースアプローチを開発した。任意のトレードオフ選好に対する近似パレート解を直接生成するための単一選好条件モデルを提案し,このモデルを訓練するための効率的な多目的強化学習アルゴリズムを設計した。提案方法は,広く使用された分解ベースの多目的進化アルゴリズム(MOEA/D)のための学習ベースの拡張として扱うことができる。それは全ての可能な選好を収容するために単一モデルを使用するが,他の方法はPareto集合を近似するために有限数の解を使用する。実験結果は,著者らの提案方法が,多目的巡回セールスマン問題,多目的車両ルーティング問題,および解決品質,速度,およびモデル効率に関する多目的ナップサック問題に関して,他のいくつかの方法を著しく凌ぐことを示した。【JST・京大機械翻訳】