論文の概要: Automated Large-scale Class Scheduling in MiniZinc
- arxiv url: http://arxiv.org/abs/2011.07507v1
- Date: Sun, 15 Nov 2020 12:02:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 07:22:48.141550
- Title: Automated Large-scale Class Scheduling in MiniZinc
- Title(参考訳): MiniZincにおける大規模スケジューリングの自動化
- Authors: Md. Mushfiqur Rahman, Sabah Binte Noor, Fazlul Hasan Siddiqui
- Abstract要約: 本稿では,典型的な大学のニーズをすべて満たすことのできる授業スケジュールを効率的に作成するシステムを提案する。
提案システムでは,中等教育機関のスケジュールを1分以内で把握することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Class Scheduling is a highly constrained task. Educational institutes spend a
lot of resources, in the form of time and manual computation, to find a
satisficing schedule that fulfills all the requirements. A satisficing class
schedule accommodates all the students to all their desired courses at
convenient timing. The scheduler also needs to take into account the
availability of course teachers on the given slots. With the added limitation
of available classrooms, the number of solutions satisfying all constraints in
this huge search-space, further decreases.
This paper proposes an efficient system to generate class schedules that can
fulfill every possible need of a typical university. Though it is primarily a
fixed-credit scheduler, it can be adjusted for open-credit systems as well. The
model is designed in MiniZinc and solved using various off-the-shelf solvers.
The proposed scheduling system can find a balanced schedule for a
moderate-sized educational institute in less than a minute.
- Abstract(参考訳): クラススケジューリングは非常に制約の多いタスクです。
教育機関は、すべての要件を満たす十分なスケジュールを見つけるために、時間と手動の計算という形で、多くのリソースを費やします。
満足度の高い授業スケジュールは、生徒全員に都合の良いタイミングで希望するコースを順守する。
スケジューラは、与えられたスロット上のコース教師の可用性も考慮する必要がある。
利用可能な教室の制限が増えると、この巨大な検索空間におけるすべての制約を満たす解の数はさらに減少する。
本稿では,典型的な大学のニーズをすべて満たせる授業スケジュールを生成するための効率的なシステムを提案する。
主に固定クレジットのスケジューラであるが、オープンクレジットのシステムでも調整できる。
このモデルはMiniZincで設計され、様々な既製の解法を用いて解かれる。
提案するスケジューリングシステムは、1分以内に中規模教育機関のバランスのとれたスケジュールを見つけることができる。
関連論文リスト
- A General Framework for Learning from Weak Supervision [97.4298482689398]
本稿では、新しいアルゴリズムを用いて、弱監督(GLWS)から学習するための一般的な枠組みを紹介する。
GLWSの中心は期待最大化(EM)の定式化であり、様々な弱い監督源を順応的に収容している。
また,EM計算要求を大幅に単純化する高度なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-02T21:48:50Z) - Reinforcement Learning with Success Induced Task Prioritization [68.8204255655161]
本稿では,自動カリキュラム学習のためのフレームワークであるSuccess induced Task Prioritization (SITP)を紹介する。
アルゴリズムはエージェントに最速の学習を提供するタスクの順序を選択する。
我々は,SITPが他のカリキュラム設計手法と一致するか,あるいは上回っていることを実証する。
論文 参考訳(メタデータ) (2022-12-30T12:32:43Z) - HARL: Hierarchical Adaptive Reinforcement Learning Based Auto Scheduler
for Neural Networks [51.71682428015139]
効率的なテンソルプログラム探索のための強化学習に基づく自動スケジューリングシステムであるHARLを提案する。
HarLは、最先端のオートスケジューラと比較して、テンソル演算子の性能を22%改善し、探索速度を4.3倍改善する。
また、エンドツーエンドのニューラルネットワークでは、推論性能と探索速度も大幅に向上する。
論文 参考訳(メタデータ) (2022-11-21T04:15:27Z) - Planning Courses for Student Success at the American College of Greece [0.0]
我々は、ギリシャのアメリカン・カレッジ・オブ・ギリシャの学生が研究を完了するために必要となるコースのスケジュールを最適化する問題をモデル化する。
結果のスケジュールを最適化する目的として,最速の完了時間,コース難易度バランスなど,いくつかの異なる目標を定式化します。
我々は,機械学習とデータマイニングの手法を用いて,受講生が受講生に期待する成績を捉えた。
論文 参考訳(メタデータ) (2022-06-16T10:19:37Z) - GCNScheduler: Scheduling Distributed Computing Applications using Graph
Convolutional Networks [12.284934135116515]
グラフ畳み込み型ネットワークベーススケジューラ(GCNScheduler)を提案する。
タスク間データ依存関係構造とネットワーク設定を慎重に入力グラフに統合することにより、GCNSchedulerは所定の目的のためにタスクを効率的にスケジュールすることができる。
従来のHEFTアルゴリズムよりもマインパンが良く、スループット指向のHEFTとほぼ同じスループットであることを示す。
論文 参考訳(メタデータ) (2021-10-22T01:54:10Z) - NICE: Robust Scheduling through Reinforcement Learning-Guided Integer
Programming [5.448283690603358]
我々は,強化学習と整数プログラミングを組み合わせたNICEを提案し,ロバストなスケジューリング問題に対処する。
我々はNICEを用いて、パイロットの飛行スケジュールの割り当てを決定し、破壊の影響を低減する。
実験の結果、NICEは様々なシナリオでスケジュールを作成でき、その結果、ベースラインの定式化よりも33%から48%のディスラプションが減少することがわかった。
論文 参考訳(メタデータ) (2021-09-24T20:16:33Z) - REX: Revisiting Budgeted Training with an Improved Schedule [14.618325490983052]
本稿では,Reflectred Exponential(REX)スケジュールと呼ばれる新しいプロファイルとサンプリングレートの組み合わせを提案する。
REXは、いくつかの最先端の学習率スケジュールのパフォーマンスを一致または超えながら、低予算で線形スケジュールを上回ります。
論文 参考訳(メタデータ) (2021-07-09T04:17:35Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳(メタデータ) (2021-05-01T10:18:34Z) - Scheduling Plans of Tasks [0.0]
タスクのスケジューリング計画の問題を解決するアルゴリズムを提案する。
提案アルゴリズムは,計画計画数を最大化する実行可能なスケジュールを探索する。
論文 参考訳(メタデータ) (2021-02-06T10:14:54Z) - Tailored Learning-Based Scheduling for Kubernetes-Oriented Edge-Cloud
System [54.588242387136376]
エッジクラウドシステムのための学習ベースのスケジューリングフレームワークkaisを紹介する。
まず,分散した要求ディスパッチに対応するために,協調型マルチエージェントアクタ-クリティックアルゴリズムを設計する。
次に,多種多様なシステムスケールと構造について,グラフニューラルネットワークを用いてシステム状態情報を埋め込む。
第3に、リクエストディスパッチとサービスオーケストレーションを調和させる2段階のスケジューリングメカニズムを採用します。
論文 参考訳(メタデータ) (2021-01-17T03:45:25Z) - An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
データから制約をマイニングするための一般的なフレームワークを提案する。
特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。
提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
論文 参考訳(メタデータ) (2020-06-18T20:09:53Z)
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。