論文の概要: Apply Artificial Neural Network to Solving Manpower Scheduling Problem
- arxiv url: http://arxiv.org/abs/2105.03541v1
- Date: Fri, 7 May 2021 23:54:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-14 04:12:27.100165
- Title: Apply Artificial Neural Network to Solving Manpower Scheduling Problem
- Title（参考訳）: 人工ニューラルネットワークによる人力スケジューリング問題の解法
- Authors: Tianyu Liu and Lingyu Zhang
- Abstract要約: 本稿では,マルチシフトマンパワースケジューリング問題を解決するために,ディープラーニングと組み合わせた新しいモデルを提案する。
我々は,時系列に基づくニューラルネットワークトレーニング手法を用いて,長期・長期のスケジューリング課題を解決する。
我々の研究は、ニューラルネットワークとディープラーニング戦略が、同様の問題を効果的に解決する可能性を示唆している。
- 参考スコア（独自算出の注目度）: 15.848399017432262
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The manpower scheduling problem is a kind of critical combinational
optimization problem. Researching solutions to scheduling problems can improve
the efficiency of companies, hospitals, and other work units. This paper
proposes a new model combined with deep learning to solve the multi-shift
manpower scheduling problem based on the existing research. This model first
solves the objective function's optimized value according to the current
constraints to find the plan of employee arrangement initially. It will then
use the scheduling table generation algorithm to obtain the scheduling result
in a short time. Moreover, the most prominent feature we propose is that we
will use the neural network training method based on the time series to solve
long-term and long-period scheduling tasks and obtain manpower arrangement. The
selection criteria of the neural network and the training process are also
described in this paper. We demonstrate that our model can make a precise
forecast based on the improvement of neural networks. This paper also discusses
the challenges in the neural network training process and obtains enlightening
results after getting the arrangement plan. Our research shows that neural
networks and deep learning strategies have the potential to solve similar
problems effectively.
- Abstract（参考訳）: マンパワースケジューリング問題は、ある種の重要な組合せ最適化問題である。
スケジューリング問題に対するソリューションの研究は、企業、病院、その他の作業ユニットの効率を改善することができる。
本稿では,既存研究に基づくマルチシフトマンパワースケジューリング問題を解決するために,ディープラーニングと組み合わせた新しいモデルを提案する。
このモデルは、まず現在の制約に従って目的関数の最適化値を解決し、最初に従業員配置の計画を見つける。
その後、スケジューリングテーブル生成アルゴリズムを使用して、短時間でスケジューリング結果を取得する。
さらに,我々の提案する最も顕著な特徴は,時系列に基づくニューラルネットワークトレーニング手法を用いて,長期・長期のスケジューリングタスクを解決し,マンパワーアレンジメントを得ることである。
本稿では,ニューラルネットワークの選択基準とトレーニングプロセスについても述べる。
本モデルでは,ニューラルネットワークの改良により正確な予測を行うことができることを示す。
本稿では,ニューラルネットワークトレーニングプロセスの課題についても論じ,アレンジメント計画の達成後に啓蒙結果を得る。
我々の研究は、ニューラルネットワークとディープラーニング戦略が、同様の問題を効果的に解決する可能性を示唆している。
関連論文リスト
- Deep learning-driven scheduling algorithm for a single machine problem
minimizing the total tardiness [0.0]
単一パススケジューリングアルゴリズムで用いられる基準値の分解時間推定器として機能するディープニューラルネットワークを提案する。
機械学習によるアプローチは、トレーニングフェーズからかなり大きなインスタンスへの情報を効率的に一般化できることを示します。
論文 参考訳（メタデータ） (2024-02-19T15:34:09Z) - Deep multitask neural networks for solving some stochastic optimal
control problems [0.0]
本稿では,最適制御問題のクラスについて考察し,ニューラルネットワークを用いた効果的な解法を提案する。
マルチタスクニューラルネットワークをトレーニングするために,タスク間の学習を動的にバランスさせる新しいスキームを導入する。
実世界のデリバティブ価格問題に関する数値実験を通じて,本手法が最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2024-01-23T17:20:48Z) - Optimization Over Trained Neural Networks: Taking a Relaxing Walk [4.517039147450688]
ニューラルネットワークモデルの大域的および局所的線形緩和を探索し,よりスケーラブルな解法を提案する。
我々の解法は最先端のMILP解法と競合し、それ以前には入力、深さ、ニューロン数の増加によるより良い解法を導出する。
論文 参考訳（メタデータ） (2024-01-07T11:15:00Z) - NeuralFastLAS: Fast Logic-Based Learning from Raw Data [54.938128496934695]
シンボリック・ルール学習者は解釈可能な解を生成するが、入力を記号的に符号化する必要がある。
ニューロシンボリックアプローチは、ニューラルネットワークを使用して生データを潜在シンボリック概念にマッピングすることで、この問題を克服する。
我々は,ニューラルネットワークを記号学習者と共同でトレーニングする,スケーラブルで高速なエンドツーエンドアプローチであるNeuralFastLASを紹介する。
論文 参考訳（メタデータ） (2023-10-08T12:33:42Z) - The Clock and the Pizza: Two Stories in Mechanistic Explanation of
Neural Networks [59.26515696183751]
ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。
単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
論文 参考訳（メタデータ） (2023-06-30T17:59:13Z) - Neural Algorithmic Reasoning for Combinatorial Optimisation [20.36694807847833]
ニューラル推論の最近の進歩を活用して,CO問題の学習を改善することを提案する。
私たちは、COインスタンスでトレーニングする前に、関連するアルゴリズムでニューラルネットワークを事前トレーニングすることを提案します。
以上の結果から,この学習装置を用いることで,非アルゴリズム的情報深層学習モデルよりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2023-05-18T13:59:02Z) - Learning to Optimize Permutation Flow Shop Scheduling via Graph-based
Imitation Learning [70.65666982566655]
置換フローショップスケジューリング(PFSS)は製造業で広く使われている。
我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。
我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
論文 参考訳（メタデータ） (2022-10-31T09:46:26Z) - An Intelligent Model for Solving Manpower Scheduling Problems [22.247926891283537]
本稿では,マルチ制約条件下でのマンパワースケジューリング問題を組合せ最適化問題に変換する。
また、論理的パラダイムを用いて問題解の数学的モデルを構築し、モデルを解くための改良された多次元進化アルゴリズムも構築する。
論文 参考訳（メタデータ） (2021-05-07T23:51:12Z) - 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) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳（メタデータ） (2020-05-04T13:24:00Z) - Subset Sampling For Progressive Neural Network Learning [106.12874293597754]
プログレッシブニューラルネットワーク学習は、ネットワークのトポロジを漸進的に構築し、トレーニングデータに基づいてパラメータを最適化するアルゴリズムのクラスである。
段階的なトレーニングステップ毎にトレーニングデータのサブセットを活用することで,このプロセスの高速化を提案する。
オブジェクト,シーン,顔の認識における実験結果から,提案手法が最適化手順を大幅に高速化することを示す。
論文 参考訳（メタデータ） (2020-02-17T18:57:33Z)
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。