論文の概要: Spillover Algorithm: A Decentralized Coordination Approach for
Multi-Robot Production Planning in Open Shared Factories
- arxiv url: http://arxiv.org/abs/2101.05700v2
- Date: Sat, 23 Jan 2021 18:40:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 00:47:11.839227
- Title: Spillover Algorithm: A Decentralized Coordination Approach for
Multi-Robot Production Planning in Open Shared Factories
- Title（参考訳）: spilloverアルゴリズム:オープン共有工場におけるマルチロボット生産計画のための分散協調手法
- Authors: Marin Lujak and Alberto Fern\'andez and Eva Onaindia
- Abstract要約: 動的なキャパシタブル生産計画問題に対して,シーケンス独立なセットアップコストで対処する。
我々は,ロボットを複数保有するオープンファクトリ環境において,この問題の分散マルチエージェント版を考える。
本論文では,このNPハード問題を解く流出効果に基づく計算効率の高い分散手法を提案する。
- 参考スコア（独自算出の注目度）: 0.34410212782758043
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Open and shared manufacturing factories typically dispose of a limited number
of robots that should be properly allocated to tasks in time and space for an
effective and efficient system performance. In particular, we deal with the
dynamic capacitated production planning problem with sequence independent setup
costs where quantities of products to manufacture and location of robots need
to be determined at consecutive periods within a given time horizon and
products can be anticipated or backordered related to the demand period. We
consider a decentralized multi-agent variant of this problem in an open factory
setting with multiple owners of robots as well as different owners of the items
to be produced, both considered self-interested and individually rational.
Existing solution approaches to the classic constrained lot-sizing problem are
centralized exact methods that require sharing of global knowledge of all the
participants' private and sensitive information and are not applicable in the
described multi-agent context. Therefore, we propose a computationally
efficient decentralized approach based on the spillover effect that solves this
NP-hard problem by distributing decisions in an intrinsically decentralized
multi-agent system environment while protecting private and sensitive
information. To the best of our knowledge, this is the first decentralized
algorithm for the solution of the studied problem in intrinsically
decentralized environments where production resources and/or products are owned
by multiple stakeholders with possibly conflicting objectives. To show its
efficiency, the performance of the Spillover Algorithm is benchmarked against
state-of-the-art commercial solver CPLEX 12.8.
- Abstract（参考訳）: オープンで共有された製造工場は通常、効率的なシステム性能のために時間と空間のタスクに適切に割り当てられるべき限られた数のロボットを処分する。
特に,生産計画の動的容量化問題に対して,ロボットの製造に必要な製品量や位置を,所定の時間帯内で連続的に決定し,需要期間に関連付けて製品が予測・予約できるようなシーケンス独立的なセットアップコストで対処する。
オープンファクトリでは,ロボットの複数所有者と生産するアイテムの異なる所有者が,それぞれが自己関心と個々に合理的であると考えられる,分散化されたマルチエージェントの変種を考える。
従来の制約付きロットサイズ問題に対する既存のソリューションアプローチは、すべての参加者のプライベートでセンシティブな情報のグローバル知識を共有することを必要とする集中型厳密な手法であり、記述されたマルチエージェントコンテキストでは適用できない。
そこで本研究では,私的かつ機密性の高い情報を保護しつつ,本質的に分散化されたマルチエージェントシステム環境における決定を分散させることにより,このNPハード問題を解決するスルーオーバー効果に基づく,計算効率のよい分散化手法を提案する。
私たちの知る限りでは、本アルゴリズムは、本質的な分散環境における研究問題の解決のための最初の分散化アルゴリズムであり、生産資源や製品は、おそらく矛盾する目標を持つ複数の利害関係者によって所有されている。
効率性を示すため、Spilloverアルゴリズムは最先端の商用解法であるCPLEX 12.8に対してベンチマークされる。
関連論文リスト
- Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。
この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。
この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
論文 参考訳（メタデータ） (2024-09-29T23:57:25Z) - Robotic warehousing operations: a learn-then-optimize approach to large-scale neighborhood search [84.39855372157616]
本稿では,ワークステーションの注文処理,アイテムポッドの割り当て,ワークステーションでの注文処理のスケジュールを最適化することで,ウェアハウジングにおけるロボット部品対ピッカー操作を支援する。
そこで我々は, 大規模近傍探索を用いて, サブプロブレム生成に対する学習を最適化する手法を提案する。
Amazon Roboticsと共同で、我々のモデルとアルゴリズムは、最先端のアプローチよりも、実用的な問題に対するより強力なソリューションを生み出していることを示す。
論文 参考訳（メタデータ） (2024-08-29T20:22:22Z) - DePAint: A Decentralized Safe Multi-Agent Reinforcement Learning Algorithm considering Peak and Average Constraints [1.1549572298362787]
本稿では,この問題を解決するために,モーメントに基づく分散勾配法DePaintを提案する。
これは、ピーク制約と平均制約の両方を考慮した、プライバシ保存で完全に分散化されたマルチエージェント強化学習アルゴリズムとしては初めてのものである。
論文 参考訳（メタデータ） (2023-10-22T16:36:03Z) - Identifying contributors to supply chain outcomes in a multi-echelon setting: a decentralised approach [47.00450933765504]
本稿では,推定貢献の分散計算における説明可能な人工知能の利用を提案する。
このアプローチは、サプライチェーンアクターにデータ共有を説得する必要性を緩和する。
その結果,集中型アプローチと比較して,品質変化の源泉を検出する方法の有効性が示された。
論文 参考訳（メタデータ） (2023-07-22T20:03:16Z) - An Analysis of Multi-Agent Reinforcement Learning for Decentralized
Inventory Control Systems [0.0]
在庫管理問題に対するほとんどのソリューションは、実際のサプライチェーンネットワークにおける組織的制約とは相容れない情報の集中化を前提としている。
本稿では,多エージェント強化学習を用いた在庫管理問題に対する分散データ駆動型ソリューションを提案する。
以上の結果から,マルチエージェントに近いポリシー最適化を中央集権的批判と組み合わせることで,中央集権的なデータ駆動型ソリューションに近い性能が得られることが示唆された。
論文 参考訳（メタデータ） (2023-07-21T08:52:08Z) - Distributed Online Rollout for Multivehicle Routing in Unmapped
Environments [0.8437187555622164]
我々は、よく知られた多車両ルーティング問題に対して、完全に分散し、オンラインでスケーラブルな強化学習アルゴリズムを提案する。
エージェントはローカルクラスタに自己組織化し、各クラスタにローカルにマルチエージェントロールアウトスキームを独立に適用する。
提案アルゴリズムは, 放射半径の2倍と3倍の精度で, 基本方針よりも約2倍のコスト向上を実現している。
論文 参考訳（メタデータ） (2023-05-24T22:06:44Z) - No-Regret Learning in Two-Echelon Supply Chain with Unknown Demand
Distribution [48.27759561064771]
我々は[Cachon and Zipkin, 1999]で導入された2つのエケロンサプライチェーンモデルについて, 2つの異なる設定で検討する。
両設定の最適在庫決定に対する後悔と収束の両面において良好な保証を達成するアルゴリズムを設計する。
私たちのアルゴリズムは、オンライングラディエントDescentとOnline Newton Stepをベースとしています。
論文 参考訳（メタデータ） (2022-10-23T08:45:39Z) - 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) - Resource-Aware Distributed Submodular Maximization: A Paradigm for
Multi-Robot Decision-Making [3.5788754401889022]
Resource-Aware Distributed Greedyは、各ロボットのオンボードリソースを独立して考慮した最初のアルゴリズムである。
RAGは、中央集権化のトレードオフを、グローバルな準最適性、分散化、ほぼ最小のオンボード計算、通信、メモリリソースのトレードオフとバランス付けます。
論文 参考訳（メタデータ） (2022-04-15T15:47:05Z) - The Best of Many Worlds: Dual Mirror Descent for Online Allocation
Problems [7.433931244705934]
本稿では,意思決定者に対して未知の入力モデルを用いて,各要求に対する報酬とリソース消費を生成するデータ駆動型設定について考察する。
様々な入力モデルにおいて,どの入力に直面するかを知ることなく,優れた性能が得られるアルゴリズムの一般クラスを設計する。
我々のアルゴリズムはラグランジアン双対空間で動作し、オンラインミラー降下を用いて更新される各リソースに対して双対乗算器を保持する。
論文 参考訳（メタデータ） (2020-11-18T18:39:17Z) - F2A2: Flexible Fully-decentralized Approximate Actor-critic for
Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。
本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。
当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
論文 参考訳（メタデータ） (2020-04-17T14:56:29Z)
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。