論文の概要: Challenges of Applying Deep Reinforcement Learning in Dynamic
Dispatching
- arxiv url: http://arxiv.org/abs/2011.05570v1
- Date: Mon, 9 Nov 2020 22:26:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-28 00:25:50.705137
- Title: Challenges of Applying Deep Reinforcement Learning in Dynamic
Dispatching
- Title(参考訳): 動的ディスパッチにおける深層強化学習の適用の課題
- Authors: Hamed Khorasgani, Haiyan Wang, Chetan Gupta
- Abstract要約: 動的ディスパッチは、鉱業における運用最適化における中核的な問題の一つである。
深層強化学習は、この問題を解決するのに自然に適しているはずだ。
本稿では, 動的ディスパッチ問題に対処するために, ディープRLを使用する際の主な課題について概説する。
- 参考スコア(独自算出の注目度): 14.412373060545491
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic dispatching aims to smartly allocate the right resources to the right
place at the right time. Dynamic dispatching is one of the core problems for
operations optimization in the mining industry. Theoretically, deep
reinforcement learning (RL) should be a natural fit to solve this problem.
However, the industry relies on heuristics or even human intuitions, which are
often short-sighted and sub-optimal solutions. In this paper, we review the
main challenges in using deep RL to address the dynamic dispatching problem in
the mining industry.
- Abstract(参考訳): 動的ディスパッチは、適切なタイミングで適切なリソースを適切に割り当てることを目的としています。
動的ディスパッチは鉱業における運用最適化の核となる問題の一つである。
理論的には、深層強化学習(RL)はこの問題を解決するのに自然に適している。
しかし、業界はヒューリスティックスや人間の直観にも依存しており、それらはしばしば近視的かつ最適のソリューションである。
本稿では,鉱業における動的ディスパッチ問題に,深部RLを用いて対処する上での課題について概説する。
関連論文リスト
- Accelerate Presolve in Large-Scale Linear Programming via Reinforcement
Learning [92.31528918811007]
本稿では,P1)-(P3) を同時に扱うための簡易かつ効率的な強化学習フレームワーク,すなわち,事前解決のための強化学習(RL4Presolve)を提案する。
2つの解法と8つのベンチマーク(実世界と合成)の実験により、RL4Presolveは大規模LPの解法効率を大幅に改善することを示した。
論文 参考訳(メタデータ) (2023-10-18T09:51:59Z) - Unbalanced and Light Optimal Transport [74.2218455861089]
理論的に整合的で軽量なEOT解法を提案する。
我々の進歩は、トラクタブルで非ミニマックス最適化の目的をもたらすUEOT問題の最適化に関する新しい視点の開発である。
CPU上で、連続するUEOT問題を数分で解決できる。
論文 参考訳(メタデータ) (2023-03-14T15:44:40Z) - Learning to Optimize for Reinforcement Learning [79.03249959636776]
ゼロから強化学習を行うエージェントを学習することは可能であることを示す。
おもちゃのタスクでしか訓練されないが、我々の学習はブラックスの複雑なタスクに一般化することができる。
論文 参考訳(メタデータ) (2023-02-03T00:11:02Z) - Intrinsically-Motivated Reinforcement Learning: A Brief Introduction [0.0]
強化学習(Reinforcement Learning, RL)は、機械学習の3つの基本パラダイムの1つである。
本稿では,RLにおける探査改善の問題点を考察し,本質的な動機付け型RLを導入した。
論文 参考訳(メタデータ) (2022-03-03T12:39:58Z) - Accelerating Robotic Reinforcement Learning via Parameterized Action
Primitives [92.0321404272942]
強化学習は汎用ロボットシステムの構築に使用することができる。
しかし、ロボット工学の課題を解決するためにRLエージェントを訓練することは依然として困難である。
本研究では,ロボット行動プリミティブ(RAPS)のライブラリを手動で指定し,RLポリシーで学習した引数をパラメータ化する。
動作インターフェースへの簡単な変更は、学習効率とタスクパフォーマンスの両方を大幅に改善する。
論文 参考訳(メタデータ) (2021-10-28T17:59:30Z) - Deep Reinforcement Learning for Combinatorial Optimization: Covering
Salesman Problems [4.692304496312442]
本稿では,カバーセールスマン問題 (CSP) を大まかに解くための新しい深層学習手法を提案する。
このアプローチでは、CSPの都市位置を入力として、ディープニューラルネットワークモデルがソリューションを直接出力するように設計されている。
指導なしに深層強化学習を用いて訓練される。
論文 参考訳(メタデータ) (2021-02-11T07:25:04Z) - Dynamic Dispatching for Large-Scale Heterogeneous Fleet via Multi-agent
Deep Reinforcement Learning [10.835960004409708]
本研究では,鉱業における動的問題を解決するための新しい深層強化学習手法を提案する。
まず,実地雷のパラメータを校正したイベントベースマイニングシミュレータを開発した。
そこで我々は,異種エージェントから記憶を学習するための,新しい抽象的状態/行動表現を用いた体験共有型ディープQネットワークを提案する。
論文 参考訳(メタデータ) (2020-08-24T21:29:56Z) - OR-Gym: A Reinforcement Learning Library for Operations Research
Problems [0.0]
我々は,運用研究問題に対処する強化学習アルゴリズムを開発するためのオープンソースライブラリOR-Gymを紹介する。
本稿では,knapsackの強化学習,多次元ビンパッキング,複数エケロン供給チェーン,多周期アセットアロケーションモデル問題に適用する。
論文 参考訳(メタデータ) (2020-08-14T12:21:22Z) - Dynamics Generalization via Information Bottleneck in Deep Reinforcement
Learning [90.93035276307239]
本稿では,RLエージェントのより優れた一般化を実現するために,情報理論正則化目標とアニーリングに基づく最適化手法を提案する。
迷路ナビゲーションからロボットタスクまで、さまざまな領域において、我々のアプローチの極端な一般化の利点を実証する。
この研究は、タスク解決のために冗長な情報を徐々に取り除き、RLの一般化を改善するための原則化された方法を提供する。
論文 参考訳(メタデータ) (2020-08-03T02:24:20Z) - Meta-Reinforcement Learning for Robotic Industrial Insertion Tasks [70.56451186797436]
本研究では,メタ強化学習を用いてシミュレーションの課題の大部分を解決する方法について検討する。
エージェントを訓練して現実の挿入タスクを成功させる手法を実証する。
論文 参考訳(メタデータ) (2020-04-29T18:00:22Z)
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。