PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2608.24471v2cs.AI

민첩 관측 위성을 활용한 해상 이동 표적 관측 스케줄링을 위한 암묵적 Q-러닝 기반 개미 군집 최적화

Implicit Q-learning-bootstrapped ant colony optimization for maritime moving-target observation scheduling with agile satellites

민첩 지구 관측 위성을 활용한 해상 이동 표적 관측 스케줄링은 동적이고 순서 의존적인 조합 최적화(combinatorial optimization) 문제입니다. 해수면 표적은 지속적으로 이동하므로, 표적의 움직임과 위성 궤도 기하 구조에 따라 관측 가능 윈도우가 가변적으로 변합니다. 따라서 스케줄러는 시간 윈도우, 자세 기동 및 탑재 자원 제약 조건 하에서 작업 선택, 위성 할당, 관측 윈도우 선택, 관측 순서를 공동으로 결정해야 합니다. 본 논문에서는 다중 위성 해상 이동 표적 관측 스케줄링을 위해 암묵적 Q-러닝(implicit Q-learning)을 부트스트랩한 개미 군집 최적화(ant colony optimization) 방법인 IQACO를 제안합니다. IQACO는 작업 선택 정책을 직접 학습하는 대신, 오프라인 암묵적 Q-러닝 모듈을 구성적 개미 군집 최적화에 임베딩하여 페로몬 요인, 휴리스틱 요인 및 증발률을 적응적으로 조절합니다. 압축된 탐색 상태 표현은 페로몬 분포, 현재 및 역대 최고 해의 품질, 반복(iteration) 진행 상황을 포착합니다. 온라인 스케줄링 중에는 개미 군집 최적화가 실행 가능한 관측 시퀀스를 구성하는 동시에, 학습된 정책이 현재 탐색 상태에 맞춰 탐색 동작을 조정합니다. 다양한 규모와 위성 구성을 가진 14개 시나리오에서의 실험 결과, IQACO는 비교 알고리즘들보다 지속적으로 우수한 성능을 보였으며 기존 개미 군집 최적화 대비 평균 목적 함수 값을 2.86%~9.41% 향상시켰습니다. 추가 비교 및 보완 실험은 다양한 스케줄링 조건과 문제 설정 전반에서 본 방법의 효과성과 강건성을 입증합니다. 이러한 결과는 오프라인 가치 학습이 제약이 있는 해상 이동 표적 관측 스케줄링을 위한 효과적인 적응형 탐색 제어 메커니즘을 제공함을 보여줍니다.

arXiv:2607.22542v1math.OC

부하 의존 비용을 갖는 중국인 우편배달부 문제를 위한 하이브리드 메타휴리스틱 프레임워크

A Hybrid Matheuristic Framework for the Chinese Postman Problem with Load-Dependent Costs

부하 의존 비용을 갖는 중국인 우편배달부 문제(CPP-LC)는 이동 비용이 차량 부하와 에너지 소비에 따라 달라지는 실제 물류 및 운송 시스템에서 발생한다. 본 연구에서는 CPP-LC를 효율적으로 풀기 위해 메타휴리스틱 탐색과 수학적 계획법(mathematical programming)을 통합한 하이브리드 최적화 프레임워크를 제안한다. 제안 방법은 탐험과 집중(intensification)의 균형을 맞추기 위해 지역 탐색 절차와 축소된 혼합정수 선형 계획(MILP) 모델을 결합한다. 또한 대규모 인스턴스에서 확장성을 높이기 위해 개미 군집 최적화(ACO) 알고리즘을 개발한다. 벤치마크 데이터셋에 대한 광범위한 실험 결과, 제안 프레임워크가 일관되게 고품질 해를 달성하고 계산 효율성을 유지하면서 기존 접근법보다 해의 품질에서 우수한 성능을 보임을 보여준다. 이러한 결과는 실용적 응용에서 복잡한 부하 의존 경로 문제에 대한 하이브리드 최적화 전략의 효과를 부각한다. 구현체는 https://github.com/HySonLab/MatCPP 에서 공개적으로 제공된다.