論文の概要: Self-encoding Barnacle Mating Optimizer Algorithm for Manpower
Scheduling in Flow Shop
- arxiv url: http://arxiv.org/abs/2111.08246v1
- Date: Tue, 16 Nov 2021 06:06:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-17 15:08:04.169970
- Title: Self-encoding Barnacle Mating Optimizer Algorithm for Manpower
Scheduling in Flow Shop
- Title（参考訳）: フローショップにおけるマンパワースケジューリングのための自己エンコードバーナクル結合最適化アルゴリズム
- Authors: Shuyun Luo, Wushuang Wang, Mengyuan Fang, and Weiqiang Xu
- Abstract要約: フローショップスケジューリング(FSS)は多くの分野に応用されているため、広く研究されている。
本稿では,SBMO(Self-Encoding Barnacle Mating)と呼ばれる新しいアルゴリズムを提案する。
その結果,SBMOの有効性は,古典的および人気の高いものと比べ,近似比,強力な安定性,実行時間であることがわかった。
- 参考スコア（独自算出の注目度）: 1.9249287163937976
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Flow Shop Scheduling (FSS) has been widely researched due to its application
in many types of fields, while the human participant brings great challenges to
this problem. Manpower scheduling captures attention for assigning workers with
diverse proficiency to the appropriate stages, which is of great significance
to production efficiency.
In this paper, we present a novel algorithm called Self-encoding Barnacle
Mating Optimizer (SBMO), which solves the FSS problem considering worker
proficiency, defined as a new problem, Flow Shop Manpower Scheduling Problem
(FSMSP). The highlight of the SBMO algorithm is the combination with the
encoding method, crossover and mutation operators. Moreover, in order to solve
the local optimum problem, we design a neighborhood search scheme. Finally, the
extensive comparison simulations are conducted to demonstrate the superiority
of the proposed SBMO. The results indicate the effectiveness of SBMO in
approximate ratio, powerful stability, and execution time, compared with the
classic and popular counterparts.
- Abstract（参考訳）: Flow Shop Scheduling (FSS)は様々な分野に応用されているため、広く研究されている。
人力スケジューリングは、生産効率に大きな意味を持つ適切な段階に多様な熟練度を持つ労働者を割り当てることに注意を向ける。
本稿では,FSMSP(Flow Shop Manpower Scheduling Problem)という,作業者の熟練度を考慮したFSS問題の解法として,自己符号化バーナクルマッチング最適化法(SBMO)を提案する。
SBMOアルゴリズムのハイライトは、エンコーディング方法、クロスオーバー、突然変異演算子の組み合わせである。
さらに,局所的な最適問題を解くために,近傍探索方式を設計する。
最後に,提案するsbmoの優位性を示すために,広範な比較シミュレーションを行った。
その結果,SBMOの有効性は,古典的,人気の高いものと比べ,近似比,強力な安定性,実行時間であった。
関連論文リスト
- LLaMA-Berry: Pairwise Optimization for O1-like Olympiad-Level Mathematical Reasoning [56.273799410256075]
このフレームワークはMonte Carlo Tree Search (MCTS)と反復的なSelf-Refineを組み合わせて推論パスを最適化する。
このフレームワークは、一般的なベンチマークと高度なベンチマークでテストされており、探索効率と問題解決能力の点で優れた性能を示している。
論文 参考訳（メタデータ） (2024-10-03T18:12:29Z) - Efficient Multi-agent Reinforcement Learning by Planning [33.51282615335009]
マルチエージェント強化学習(MARL)アルゴリズムは、大規模意思決定タスクの解決において、目覚ましいブレークスルーを達成している。
既存のMARLアルゴリズムの多くはモデルフリーであり、サンプル効率を制限し、より困難なシナリオでの適用を妨げている。
政策探索のための集中型モデルとモンテカルロ木探索(MCTS)を組み合わせたMAZeroアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-20T04:36:02Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - A Reinforcement Learning Approach for Scheduling Problems With Improved
Generalization Through Order Swapping [0.0]
JSSP は NP-hard COP のカテゴリに分類される。
近年,COPの解法にDRLを用いる研究が注目され,解の質や計算効率の面で有望な結果が示されている。
特に、制約されたジョブのディスパッチにおいてよく機能すると考えられるポリシ・グラディエントパラダイムを採用するPPOアルゴリズムを採用する。
論文 参考訳（メタデータ） (2023-02-27T16:45:04Z) - High-Speed Resource Allocation Algorithm Using a Coherent Ising Machine
for NOMA Systems [3.6406488220483326]
NOMA手法の有効性を十分に活用する上で重要な課題は、リソース割り当ての最適化である。
NOMAシステムにおけるチャネル割り当てのためのコヒーレントIsing Machine(CIM)に基づく最適化手法を提案する。
提案手法は, 高速化と最適解の両面において優れていることを示す。
論文 参考訳（メタデータ） (2022-12-03T09:22:54Z) - 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) - Multi-Agent Deep Reinforcement Learning in Vehicular OCC [14.685237010856953]
我々は車載OCCにおけるスペクトル効率最適化手法を提案する。
我々は最適化問題をマルコフ決定プロセス(MDP)としてモデル化し、オンラインで適用可能なソリューションの利用を可能にする。
提案手法の性能を広範囲なシミュレーションにより検証し,提案手法の様々な変種とランダムな手法との比較を行った。
論文 参考訳（メタデータ） (2022-05-05T14:25:54Z) - Learning to Schedule Heuristics for the Simultaneous Stochastic
Optimization of Mining Complexes [2.538209532048867]
提案したL2P(Learning-to-perturb)ハイパーヒューリスティックは,マルチ隣り合うシミュレートアニールアルゴリズムである。
L2Pは、効率、堅牢性、一般化能力に重点を置いて、いくつかの実世界の鉱業施設で試験されている。
その結果,反復回数を30～50%削減し,計算時間を30～45%削減した。
論文 参考訳（メタデータ） (2022-02-25T18:20:14Z) - A Two-stage Framework and Reinforcement Learning-based Optimization
Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。
スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。
その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文 参考訳（メタデータ） (2021-03-10T03:16:12Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z) - 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)
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。