본문으로 건너뛰기

빠르고 효율적인 선거구 재편 최적화: 합성 이동 금지 탐색

선거구 재편은 높은 품질의 솔루션, 빠른 처리 시간, 다중 기준 목표 및 상호 작용 개선에 대한 유연성을 필요로 하는 실용적인 조합 최적화 문제입니다. 이러한 문제는 정수 프로그램 또는 탐색 알고리즘에서 연속성 제약을 강화하여 가능성 있는 이웃 공간을 급격히 줄이며 탐색을 지역 최적값에 갇히게 할 수 있습니다. 새로운 방법은 금지 탐색에서 가능성 있는 이웃 공간을 확장하는 반면 연속성을 유지하는 방법을 제시합니다.

AI 자동 생성

새로운 방법을 소개합니다.

선거구 재편은 높은 품질의 솔루션, 빠른 처리 시간, 다중 기준 목표 및 상호 작용 개선에 대한 유연성을 필요로 하는 실용적인 조합 최적화 문제입니다. 이러한 문제는 정수 프로그램 또는 탐색 알고리즘에서 연속성 제약을 강화하여 가능성 있는 이웃 공간을 급격히 줄이며 탐색을 지역 최적값에 갇히게 할 수 있습니다.

새로운 방법은 금지 탐색에서 가능성 있는 이웃 공간을 확장하는 반면 연속성을 유지하는 방법을 제시합니다. 이러한 방법은 한 단위가 재할당될 때 동네가 분리되지 않도록 하기 위해, 또는 한 단위가 재할당될 때 동네가 분리되지 않도록 하기 위해, 한 단위가 재할당될 때 동네가 분리되지 않도록 하기 위해, 또는 한 단위가 재할당될 때 동네가 분리되지 않도록 하기 위해, 두 단위 또는 단위의 집합이 교환될 수 있는 최소한의 단위 집합을 식별하는 방법입니다.

연속성 보존을 위한 합성 이동 방법

연속성 보존을 위한 합성 이동 방법은 다음의 단계를 거칩니다.

  • 각 동네의 연속성 그래프를 분석하여 작동점 및 이중 연결 성분을 식별합니다.
  • 작동점과 이중 연결 성분을 기반으로 한 단위 또는 단위의 집합을 재할당할 때 동네가 분리되지 않도록 하기 위한 가능성 있는 이동 방법을 생성합니다.
  • 가능성 있는 이동 방법을 연속성 보존을 위한 합성 이동 방법으로 변환합니다.

실험 결과

새로운 방법은 전통적인 금지 탐색 및 다른 기준점에 비해 솔루션 품질, 처리 시간 및 안정성을 크게 향상시켰습니다. 예를 들어, 필라델피아 사례에서 새로운 방법은 인구 균등 및 다중 기준 목표를 지원하는 이론적 글로벌 최적값을 일관되게 달성할 수 있습니다.

원문 보기 arXiv AI

함께 읽으면 좋은 기사

연구 3일 전

스트로크 위험도 예측을 위한 새로운 AI 기술: MedGate-Fusion

스트로크 위험도를 예측하는 것은 원치 않는 병력이 발생하기 전에 중요한 역할을 합니다. 그러나 이 과제는 의사들이 주기적으로 기록하는 생리학적 바이오마커와 비구조적인 의료 기록의 사이에 분산되어 있는 초기 위험 신호를 식별하는 어려움으로 인해 힘들어집니다. MedGate-Fusion은 이러한 문제를 해결하기 위해 처음 만나는 의료 기록의 의미론적 이야기와 10개의 정기적으로 기록된 위험 표시자를 통합하는 멀티 모달 게이트 아키텍처를 제안합니다. 이 아키텍처는 대규모 언어 모델(LLM)과 같은 기존의 AI 기술을 사용하여 의료 기록의 의미를 추출하고 생리학적 바이오마커의 정보를 통합하여 스트로크 위험도를 예측합니다.

연구 3일 전

기존의 전제 조건자들이 생의학 표준 표 데이터 학습을 개선하는가? 표준 표 데이터 학습 최적화에 대한 실증 연구

최근 구조화된 생물학적 데이터 분석에 있어서 표준화된 기초 모델(tabular foundation model)이 강력한 잠재력을 보인다. 그 중 하나인 TabPFN은 낮은 데이터 표준화 분류 작업에서 효과적인 접근 방식으로 나타났지만, 최적화 및 조건화 전략의 생물학적 세부 튜닝에 대한 영향은 여전히 크게 연구되지 않았다. 본 연구에서, 우리는 59 개의 생물학적 데이터셋(Alzheimer'

관련 콘텐츠 더 보기

다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.