論文の概要: Novel ensemble collaboration method for dynamic scheduling problems
- arxiv url: http://arxiv.org/abs/2203.14290v1
- Date: Sun, 27 Mar 2022 12:37:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-20 17:09:28.417391
- Title: Novel ensemble collaboration method for dynamic scheduling problems
- Title(参考訳): 動的スケジューリング問題に対する新しいアンサンブル協調法
- Authors: Marko {\DJ}urasevi\'c, Lucija Planini\'c, Francisco Javier Gil Gala,
Domagoj Jakobovi\'c
- Abstract要約: 本稿では,動的スケジューリングのための新しいアンサンブル協調手法を提案する。
この方法では、DRは各決定点で独立して適用され、現在リリースされている全てのジョブのスケジュールのシミュレーションを作成する。
その結果、アンサンブルは個々のDRを異なるアンサンブルサイズで容易に上回ることがわかった。
- 参考スコア(独自算出の注目度): 2.905751301655124
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dynamic scheduling problems are important optimisation problems with many
real-world applications. Since in dynamic scheduling not all information is
available at the start, such problems are usually solved by dispatching rules
(DRs), which create the schedule as the system executes. Recently, DRs have
been successfully developed using genetic programming. However, a single DR may
not efficiently solve different problem instances. Therefore, much research has
focused on using DRs collaboratively by forming ensembles. In this paper, a
novel ensemble collaboration method for dynamic scheduling is proposed. In this
method, DRs are applied independently at each decision point to create a
simulation of the schedule for all currently released jobs. Based on these
simulations, it is determined which DR makes the best decision and that
decision is applied. The results show that the ensembles easily outperform
individual DRs for different ensemble sizes. Moreover, the results suggest that
it is relatively easy to create good ensembles from a set of independently
evolved DRs.
- Abstract(参考訳): 動的スケジューリング問題は、多くの実世界のアプリケーションにおいて重要な最適化問題である。
動的スケジューリングでは、すべての情報が最初から利用可能ではないため、そのような問題は、システムの実行時にスケジュールを作成するdispatching rules(drs)によって解決される。
近年,遺伝子プログラミングを用いたDRの開発が成功している。
しかし、単一のDRは異なる問題のインスタンスを効率的に解決することができない。
それゆえ、多くの研究は、アンサンブルを形成することでdrmを協調的に使用することに焦点を当てている。
本稿では,動的スケジューリングのための新しいアンサンブル協調手法を提案する。
この方法では、各決定点でdrmを独立して適用し、現在リリースされているすべてのジョブのスケジュールのシミュレーションを作成する。
これらのシミュレーションに基づいて、DRが最適な決定を下し、その決定を適用するかを決定する。
その結果、アンサンブルは個々のDRを異なるアンサンブルサイズで容易に上回ることがわかった。
また, 独立に進化したdrmの組から, 比較的容易に良好なアンサンブルを作成できることが示唆された。
関連論文リスト
- Beyond Forecasting: Compositional Time Series Reasoning for End-to-End Task Execution [19.64976935450366]
時系列データから複雑な多段階推論タスクを処理する新しいタスクであるコンポジション時系列推論を導入する。
具体的には、時系列データに構造的および構成的推論能力を必要とする様々な質問事例に焦点を当てる。
我々は,大規模言語モデル(LLM)を用いて複雑なタスクをプログラムのステップに分解するプログラム支援手法であるTS-Reasonerを開発した。
論文 参考訳(メタデータ) (2024-10-05T06:04:19Z) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳(メタデータ) (2024-01-06T06:26:49Z) - Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,各レシスタンスに対してDAG(Directed Acyclic Graph)を同時に学習する,新たな最適化手法(線形)を提案する。
我々は広範囲な実験を行い、その手法が様々な環境における因果発見モデルより一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-11-02T17:26:49Z) - Flexible Job Shop Scheduling via Dual Attention Network Based
Reinforcement Learning [73.19312285906891]
フレキシブルなジョブショップスケジューリング問題(FJSP)では、複数のマシンで操作を処理でき、操作とマシンの間の複雑な関係が生じる。
近年, 深層強化学習(DRL)を用いて, FJSP解決のための優先派遣規則(PDR)を学習している。
本稿では,Deep機能抽出のための自己注意モデルと,スケーラブルな意思決定のためのDRLの利点を生かした,エンドツーエンド学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-09T01:35:48Z) - A Memetic Algorithm with Reinforcement Learning for Sociotechnical
Production Scheduling [0.0]
本稿では、フレキシブルジョブショップスケジューリング問題(DRC-FJSSP)に深層強化学習(DRL)を適用したメメティックアルゴリズムを提案する。
産業における研究プロジェクトから、フレキシブルマシン、フレキシブルなヒューマンワーカー、作業能力、セットアップと処理操作、材料到着時間、材料製造の請求書の並列タスク、シーケンス依存のセットアップ時間、人間と機械のコラボレーションにおける(一部)自動化タスクを検討する必要性を認識します。
論文 参考訳(メタデータ) (2022-12-21T11:24:32Z) - Dynamic Causal Bayesian Optimization [20.55846355613685]
本稿では、目的変数と入力の両方が時間とともに進化する因果系において、最適な介入を行うという課題について考察する。
動的因果ベイズ最適化(DCBO)は、逐次意思決定、因果推論、ガウス過程(GP)エミュレーションのアイデアをまとめる。
我々は、DCBOが複数の設定やアプリケーションにおいて競合するアプローチよりも高速に最適な介入を特定する方法を示す。
論文 参考訳(メタデータ) (2021-10-26T17:46:44Z) - An Integrated Dynamic Method for Allocating Roles and Planning Tasks for
Mixed Human-Robot Teams [0.0]
本稿では,混合ロボットチームにおけるタスクの計画と割当のための新しい統合的動的手法を提案する。
振舞いツリーの定式化は、時間的制約と論理的制約のある異なるタスクの複合体として単一のジョブをエンコードすることを可能にする。
論文 参考訳(メタデータ) (2021-05-25T16:10:30Z) - 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) - Solving a Multi-resource Partial-ordering Flexible Variant of the
Job-shop Scheduling Problem with Hybrid ASP [0.4511923587827302]
我々は、MPF-JSS(Multi-resource Partial-ordering Flexible Job-shop Scheduling)問題を検討する。
リソースは柔軟性があり、その特性に応じて1つ以上の操作を実行できる。
中規模半導体故障解析ラボから抽出された一組のインスタンスについて実験した結果,本手法は実世界の91インスタンス中87のスケジュールを見出すことができた。
論文 参考訳(メタデータ) (2021-01-25T15:21:32Z) - 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) - An Online Method for A Class of Distributionally Robust Optimization
with Non-Convex Objectives [54.29001037565384]
本稿では,オンライン分散ロバスト最適化(DRO)のクラスを解決するための実用的なオンライン手法を提案する。
本研究は,ネットワークの堅牢性向上のための機械学習における重要な応用を実証する。
論文 参考訳(メタデータ) (2020-06-17T20:19:25Z)
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。