論文の概要: Computer-Aided Generation of N-shift RWS
- arxiv url: http://arxiv.org/abs/2009.05615v2
- Date: Thu, 8 Oct 2020 09:00:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 22:20:14.329092
- Title: Computer-Aided Generation of N-shift RWS
- Title(参考訳): nシフトrwsのコンピュータ支援生成
- Authors: Benjamin Bolling
- Abstract要約: 回転労働スケジュールを作成するための従来の方法は、連続した勤務日数シフトのシーケンスの長さを定義することであった。
この方法では、アルゴリズムがスケジュール作成者からの入力(または制約)を考慮に入れ、可能な解決策を提示する。
次に、スケジュール作成者は、最終スケジュールを構築してエクスポートする第2フェーズで、どのソリューションを最も実行可能かを選択することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Generating schedules for shift workers is essential for many employers,
whether the employer is a small or a large industrial complex, research
laboratory, or other businesses involving shift works.
Previous methods for creating rotational workforce schedules included
interactions between the schedule maker and the algorithm, including defining
the length of sequences of consecutive days of working shifts.
In this method, an algorithm takes into account inputs (or constraints) from
the schedule maker and then presents the possible solutions (incl. that all
shifts must be filled, working hours per week, minimal resting time, etc.) in a
first phase. The schedule maker can then select which solutions are most
feasible to proceed with in the second phase, where the final schedules are
then constructed and exported.
- Abstract(参考訳): シフトワーカーのスケジュール作成は多くの雇用主にとって不可欠であり、雇用主は小規模か大規模工業複合施設、研究所、その他のシフトワークに関わる事業である。
以前のローテーション労働スケジュール作成方法には、スケジュール作成者とアルゴリズムの間のインタラクションが含まれており、勤務日数連続のシーケンスを定義することが含まれていた。
この方法では、アルゴリズムはスケジュールメーカからの入力(あるいは制約)を考慮に入れ、第1フェーズで可能なソリューション(例えば、すべてのシフトを満たさなければならない、週あたりの労働時間、最小の休息時間など)を提示する。
次に、スケジュール作成者は、最終スケジュールを構築してエクスポートする第2フェーズで、どのソリューションを最も実行可能かを選択することができる。
関連論文リスト
- A mathematical model for simultaneous personnel shift planning and
unrelated parallel machine scheduling [3.0477617036157136]
本稿では,産業利用事例から得られた生産スケジューリング問題に対処する。
人件費制約を伴う非関連並列マシンスケジューリングに焦点を当てている。
機械間での人員共有を前提としており、作業処理中に機械の設置と監督に1人の人員を要している。
論文 参考訳(メタデータ) (2024-02-24T01:04:04Z) - An Emergency Disposal Decision-making Method with Human--Machine
Collaboration [20.84526084548098]
現代の運用環境では、すべての業務計画が機器の故障や資源不足などの緊急イベントの影響を受けている。
意思決定を支援するために無人のシステムを使用することは、解決効率を向上させることができるが、その決定は解釈できない。
本稿では,タスクフィルタリングとタスクスケジューリングという2つのフェーズを用いて,計画外のイベントを解決するための協調的ヒューマンマシン手法を提案する。
論文 参考訳(メタデータ) (2023-05-29T15:53:20Z) - Scalable Multi-Agent Reinforcement Learning for Warehouse Logistics with
Robotic and Human Co-Workers [51.71901155656791]
我々は、多数の移動ロボットと人間のピッカーが協力して倉庫内でアイテムを収集、配達する倉庫を構想する。
我々は、マネージャが労働者エージェントに目標を割り当てる階層的MARLアルゴリズムを開発し、管理者と労働者の政策は、グローバルな目的を最大化するために協調訓練される。
我々の階層的アルゴリズムは、多様な倉庫構成において、サンプル効率とベースラインMARLアルゴリズムの全体的な選択率を大幅に向上させる。
論文 参考訳(メタデータ) (2022-12-22T06:18:41Z) - Runtime Performance of Evolutionary Algorithms for the
Chance-constrained Makespan Scheduling Problem [12.791789710379057]
本稿では,Makespan Scheduling問題の確率制約版を提案する。
古典的ランダム化局所探索と (1+1) EAの理論的性能について検討する。
具体的には、Chance-Constrained Makespan Scheduling問題の2つの変種とその計算複雑性について検討する。
論文 参考訳(メタデータ) (2022-12-22T04:31:23Z) - A Memetic Algorithm with Reinforcement Learning for Sociotechnical
Production Scheduling [0.0]
本稿では、フレキシブルジョブショップスケジューリング問題(DRC-FJSSP)に深層強化学習(DRL)を適用したメメティックアルゴリズムを提案する。
産業における研究プロジェクトから、フレキシブルマシン、フレキシブルなヒューマンワーカー、作業能力、セットアップと処理操作、材料到着時間、材料製造の請求書の並列タスク、シーケンス依存のセットアップ時間、人間と機械のコラボレーションにおける(一部)自動化タスクを検討する必要性を認識します。
論文 参考訳(メタデータ) (2022-12-21T11:24:32Z) - Concepts and Algorithms for Agent-based Decentralized and Integrated
Scheduling of Production and Auxiliary Processes [78.120734120667]
本稿ではエージェントベースの分散型統合スケジューリング手法について述べる。
要求の一部は、線形にスケールする通信アーキテクチャを開発することである。
このアプローチは、工業的要件に基づいた例を使って説明されます。
論文 参考訳(メタデータ) (2022-05-06T18:44:29Z) - Meta-learning with an Adaptive Task Scheduler [93.63502984214918]
既存のメタ学習アルゴリズムは、一様確率でランダムにメタトレーニングタスクをサンプリングする。
タスクは、限られた数のメタトレーニングタスクを考えると、ノイズや不均衡に有害である可能性が高い。
メタトレーニングプロセスのための適応タスクスケジューラ(ATS)を提案する。
論文 参考訳(メタデータ) (2021-10-26T22:16:35Z) - ScheduleNet: Learn to solve multi-agent scheduling problems with
reinforcement learning [10.16257074782054]
我々は、複数のエージェントを効果的に調整してタスクを完了させる分散意思決定ポリシーであるScheduleNetを学ぶ。
各種マルチエージェントスケジューリングタスクの一般的な学習ベーススケジューラとしてのScheduleNetの有効性を検証する。
論文 参考訳(メタデータ) (2021-06-06T07:08:58Z) - Temporally Correlated Task Scheduling for Sequence Learning [143.70523777803723]
多くのアプリケーションにおいて、シーケンス学習タスクは通常、複数の時間的に相関した補助タスクと関連付けられている。
シーケンス学習に学習可能なスケジューラを導入し、トレーニングのための補助的なタスクを適応的に選択できる。
本手法は,同時翻訳とストックトレンド予測の性能を著しく向上させる。
論文 参考訳(メタデータ) (2020-07-10T10:28:54Z) - Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal
Constraints [52.58352707495122]
本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。
都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
論文 参考訳(メタデータ) (2020-05-27T01:10:41Z) - Straggler-aware Distributed Learning: Communication Computation Latency
Trade-off [56.08535873173518]
ストラグワーカーは冗長な計算を割り当て、データと計算をまたいでコーディングすることで許容できる。
既存のほとんどのスキームでは、各非ストラグリングワーカーは、全ての計算を完了した後、1イテレーションごとに1つのメッセージをパラメータサーバ(PS)に送信する。
このような制限を課すことで、ストレグリング動作の不正確な予測による過剰計算と、ストレグラー/非ストレグラーとしての作業員の処理による未使用の2つの主な欠点が生じる。
論文 参考訳(メタデータ) (2020-04-10T08:39:36Z)
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。