Зарезервированные практические задачи

Материал из DISCOPAL
Перейти к: навигация, поиск

Всего страниц найдено: 8.

----

«

Проблема выбора маршрута транспортного средства (CVRP) является одной из наиболее распространенных. проблемы оптимизации в наши дни, учитывая широкое использование маршрутизации алгоритмы в различных областях, таких как транспортная сфера, доставка еды, маршрутизация сети, ...

Проблема маршрутизации емкостных транспортных средств классифицируется как Проблема NP-Hard, следовательно, нормальный алгоритм оптимизации не может ее решить.

Мы обсуждаем новый способ решения упомянутой проблемы с использованием рекурсивного подход наиболее известного алгоритма кластеризации «k-средних», один из известных алгоритм кратчайшего пути «Дейкстра» и некоторые математические операции.

Мы покажем, как реализовать эти методы вместе, чтобы получить ближайшее решение оптимального маршрута, так как исследования и разработки все еще в дальнейшем эта исследовательская работа может быть дополнена другой, которая будет включать результаты реализации этой торической стороны.

…»

Задача зарезервирована: Gorshkov.dv 16:23, 24 декабря 2021 (UTC)



«

Персонализированное федеративное обучение (PFL) недавно добилось огромного прогресса, что позволяет разрабатывать новые приложения машинного обучения для сохранения конфиденциальности данных обучения.

Существующие теоретические результаты в этой области в основном сосредоточены на распределенной оптимизации для задач минимизации. Эта статья является первой, в которой исследуется PFL для задач перевала (которые охватывают более широкий класс задач оптимизации), что позволяет использовать более широкий класс приложений, требующих большего, чем просто решение задач минимизации.

В этой работе мы рассматриваем недавно предложенную настройку PFL с целевой функцией смешивания, подход, сочетающий изучение глобальной модели вместе с локально распределенными учащимися.

В отличие от большинства предыдущих работ, которые рассматривали только централизованную настройку, мы работаем в более общей и децентрализованной настройке, которая позволяет нам разрабатывать и анализировать более практичные и объединенные способы подключения устройств к сети.

Мы предложили новые алгоритмы для решения этой проблемы и предоставили теоретический анализ гладких (сильно) выпуклых (сильно) вогнутых задач перевала в стохастическом и детерминированном случаях. Численные эксперименты над билинейными задачами и нейронными сетями с противоборствующим шумом демонстрируют эффективность предложенных методов.


…»

Check-me-animated.gif Решено: Sadiev 17:28, 24 декабря 2021 (UTC)

Задача зарезервирована: Sadiev 12:03, 9 декабря 2021 (UTC)

Video: https://drive.google.com/file/d/1LDN3VujlMBVJa6uuhyaAS-Xur5Q1V6N5/view?usp=sharing



«

Мы изучаем методы решения (сильно) выпуклых- (сильно) вогнутых задач перевала (SPP) в сетях двух типов - с основной / рабочей (централизованной) архитектурой и ячеистой (таким образом децентрализованной) сетями.

Предполагается, что локальные функции в каждом узле аналогичны из-за схожести статистических данных или по иным причинам. Мы устанавливаем нижние оценки сложности для довольно общего класса алгоритмов, решающих SPP. Мы показываем, что заданная субоптимальность ϵ> 0 достигается по сетям главный / рабочий в Ω (Δ⋅δ / μ⋅log (1 / ε)) раундах связи, где δ> 0 измеряет степень подобия локальных функций, μ — их константа сильной выпуклости, а Δ - диаметр сети.

Нижняя граница сложности связи для ячеистых сетей составляет Ω (1 / ρ −− √⋅δ / μ⋅log (1 / ε)), где ρ - (нормализованная) собственная щель матрицы сплетен, используемой для связи между соседними узлами. Затем мы предлагаем алгоритмы сопоставления нижних границ для любого типа сетей (с точностью до лог-факторов).

Мы оцениваем эффективность предложенных алгоритмов на проблеме робастной логистической регрессии.

…»

Задача зарезервирована: ABeznosikov 10:31, 9 декабря 2021 (UTC)



«

Представлена новая реализация генетического алгоритма с использованием кластера с несколькими графическими процессорами. Предложенная реализация использует островной генетический алгоритм, в котором каждый GPU развивает один остров.

Особи обрабатываются с помощью CUDA варпов, что позволяет решать большие ранцы и устраняет нежелательную дивергенцию потоков.

MPI интерфейс MPI используется для обмена генетическим материалом между изолированными островами и сбора статистических данных. Характеристики предложенных ГА исследуются на двухузловом кластере, состоящем из 14 графических процессоров Fermi и 4 шестиядерных процессоров Intel Xeon. Общая общая производительность GPU предложенного ГА достигает 5,67 TFLOPS.

…»

Задача зарезервирована: Golovanova.oi 21:55, 26 ноября 2021 (UTC)



«

Предлагается инновационная модель, основанная на эффективности динамических ожиданий и новый алгоритм оптимизации задачи о 0-1 рюкзаке, включая анализ и исследования.

Проанализировав изучение 30 групп задач о 0-1 рюкзаке по дискретному коэффициенту данных, мы нашли пару групп задач, которых можно решить

методом динамического ожидания.

По сравнению с «искусственным свечением плавания червя», скорость сходимости этого алгоритма в десять раз быстрее, чем у «искусственного светлячка»

алгоритм, и объем памяти этого алгоритма составляет одну четверть от объема памяти алгоритма «искусственного плавания светлячков».
…»

Задача зарезервирована: Kozharin.as 12:02, 25 ноября 2021 (UTC)



Задача зарезервирована: Severilov 11:05, 25 ноября 2021 (UTC)

«

Методы локального поиска все чаще используются в многоцелевой комбинаторной оптимизации из-за их способности улучшать выполнение метаэвристик.

Эффективность многоцелевых методов локального поиска сильно зависит от таких факторов, как (i) операторы соседства, (ii) правила поворота и (iii) склонность к хорошим областям объективного пространства.

В этой работе мы провели обширную экспериментальную кампанию по анализу таких факторов в алгоритме локального поиска Парето (PLS) для двумерной двумерной задачи о рюкзаке (bBKP).

В первой серии экспериментов мы исследуем PLS как автономный алгоритм, начиная со случайных и жадных решений.

Во втором наборе мы анализируем PLS как постоптимизирующую процедуру. …»



Задача зарезервирована: KushDen 07:20, 28 ноября 2021 (UTC)

«

Предложен эффективный гибридный алгоритм «поиска кукушки» (CS) с улучшенным алгоритмом «перетасованного лягушачьего прыжка» (ISFLA) для решения 0-1 ранцевой задачи. Прежде всего, в рамках SFLA разработан улучшенный оператор «прыжка лягушки» с эффектом глобальной оптимальной информации о прыжке лягушки и обмена информацией между особями лягушки в сочетании с генетической мутацией с небольшой вероятностью.

Чтобы улучшить скорость сходимости и повысить эксплуатационную способность, предлагается новая модель CS с учетом специфических преимуществ «полетов Levy» и оператора прыжка лягушки.

Кроме того, для восстановления метод жадного преобразования используется для исправления невыполнимого решения и оптимизации выполнимого решения.

Наконец, численное моделирование проведено на шести различных типах экземпляров ранца 0-1, и сравнительные результаты показали эффективность предложенного алгоритма и его способность оптимизировать выполнимое решение, что превосходит бинарный поиск с кукушкой, бинарную дифференциальную эволюцию и генетический алгоритм. …»

Задача зарезервирована: KushDen 07:20, 28 ноября 2021 (UTC)



«

Мы изучаем проблему упаковки ранца, не зная его вместимости.

Всякий раз, когда мы пытаемся упаковать предмет, который не помещается, этот предмет отбрасывается; если предмет помещается, мы должны

включить его в упаковку.

Мы показываем, что всегда существует политика, которая упаковывает ценность в пределах коэффициента 2 от оптимальной упаковки, независимо от фактической вместимости.

Если все предметы имеют единичную плотность, мы достигаем коэффициента, равного золотому сечению φ≈1,618.

Показано, что оба коэффициента являются оптимальными.

Фактически, мы получаем вышеуказанные коэффициенты с помощью упаковочных политик, которые являются универсальными в том смысле, что они фиксируют определенный порядок предметов и пытаются упаковать предметы в этом порядке, независимо от наблюдений, сделанных во время упаковки.

Мы приводим эффективные алгоритмы, вычисляющие эти политики.

С другой стороны, мы показываем, что для любого α > 1 проблема решения вопроса о том, достигает ли данная универсальная политика коэффициента α, является coNP-полной. Если α является частью входных данных, то та же проблема, как показано, является coNP-полной для элементов с единичной плотностью.

Наконец, мы показываем, что для заданного α решить, допускает ли набор предметов универсальную политику с коэффициентом α, даже если все предметы имеют единичную плотность, является coNP-трудной задачей, даже если все элементы имеют единичные плотности.

…»

Задача зарезервирована: Yakushev 13:40, 26 ноября 2021 (UTC)


[ Хронологический вид ]Комментарии

(нет элементов)

Войдите, чтобы комментировать.