論文の概要: MAP-Elites based Hyper-Heuristic for the Resource Constrained Project
Scheduling Problem
- arxiv url: http://arxiv.org/abs/2204.11162v1
- Date: Sun, 24 Apr 2022 01:49:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-27 05:36:37.248093
- Title: MAP-Elites based Hyper-Heuristic for the Resource Constrained Project
Scheduling Problem
- Title（参考訳）: 資源制約型プロジェクトスケジューリング問題に対するMAP-Elitesに基づくハイパーヒューリスティック
- Authors: Shelvin Chand, Kousik Rajesh, Rohitash Chandra
- Abstract要約: 資源制約型プロジェクトスケジューリング問題(RCPSP)はNP-Hard最適化問題である。
本稿では, MAP-Elites を用いたハイパーヒューリスティック (MEHH) を用いて, RCPSP の効率的な優先ルールの自動発見を行う。
- 参考スコア（独自算出の注目度）: 0.3359875577705538
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The resource constrained project scheduling problem (RCPSP) is an NP-Hard
combinatorial optimization problem. The objective of RCPSP is to schedule a set
of activities without violating any activity precedence or resource
constraints. In recent years researchers have moved away from complex solution
methodologies, such as meta heuristics and exact mathematical approaches,
towards more simple intuitive solutions like priority rules. This often
involves using a genetic programming based hyper-heuristic (GPHH) to discover
new priority rules which can be applied to new unseen cases. A common problem
affecting GPHH is diversity in evolution which often leads to poor quality
output. In this paper, we present a MAP-Elites based hyper-heuristic (MEHH) for
the automated discovery of efficient priority rules for RCPSP. MAP-Elites uses
a quality diversity based approach which explicitly maintains an archive of
diverse solutions characterised along multiple feature dimensions. In order to
demonstrate the benefits of our proposed hyper-heuristic, we compare the
overall performance against a traditional GPHH and priority rules proposed by
human experts. Our results indicate strong improvements in both diversity and
performance. In particular we see major improvements for larger instances which
have been under-studied in the existing literature.
- Abstract（参考訳）: 資源制約付きプロジェクトスケジューリング問題(RCPSP)はNP-Hard組合せ最適化問題である。
RCPSPの目的は、アクティビティの優先順位やリソース制約に違反することなく、一連のアクティビティをスケジュールすることである。
近年、研究者はメタヒューリスティックスや厳密な数学的アプローチといった複雑な解法から、優先順位規則のようなより単純な直感的な解へと移行している。
これはしばしば、遺伝子プログラミングに基づく超ヒューリスティック(GPHH)を使用して、新しい未確認ケースに適用可能な新しい優先度ルールを発見する。
GPHHに影響を及ぼす一般的な問題は進化の多様性であり、しばしば品質の低下につながる。
本稿では, MAP-Elites を用いたハイパーヒューリスティック (MEHH) を用いて, RCPSP の効率的な優先ルールの自動発見を行う。
MAP-Elitesは品質の多様性に基づくアプローチを採用し、複数の特徴次元に沿って特徴付けられる多様なソリューションのアーカイブを明示的に維持する。
提案した超ヒューリスティックの利点を実証するため,従来のGPHHと人的専門家による優先ルールとの比較を行った。
その結果,多様性と性能の両面で大きな改善が見られた。
特に、既存の文献では研究されていない大規模インスタンスの大きな改善が見られる。
関連論文リスト
- Hierarchical Preference Optimization: Learning to achieve goals via feasible subgoals prediction [71.81851971324187]
本研究は階層型強化学習(HRL)の新しいアプローチである階層型優先度最適化(HPO)を導入する。
HPOは、複雑なロボット制御タスクを解く際に、非定常性と非実用的なサブゴール生成の問題に対処する。
挑戦的なロボットナビゲーションと操作タスクの実験はHPOの素晴らしいパフォーマンスを示しており、ベースラインよりも最大35%改善されている。
論文 参考訳（メタデータ） (2024-11-01T04:58:40Z) - Dancing to the State of the Art? How Candidate Lists Influence LKH for Solving the Traveling Salesperson Problem [1.6874375111244329]
トラベリングセールスパーソン問題(TSP)の解決はいまだに永続的な課題である。
ヒューリスティックな解法は、高品質な解を見つけるための需要を効果的に解決する。
これらの解法の中で、Lin-Kernighan-Helsgaun(LKH)は遺伝的アルゴリズムの性能を補完するものとして際立っている。
論文 参考訳（メタデータ） (2024-07-04T13:38:19Z) - Joint Demonstration and Preference Learning Improves Policy Alignment with Human Feedback [58.049113055986375]
我々は、報酬モデルとポリシーをトレーニングするために、AIHF(Alignment with Integrated Human Feedback)と呼ばれる単一ステージアプローチを開発する。
提案した手法は、一般的なアライメントアルゴリズムに容易に還元し、活用できる、効率的なアルゴリズムの集合を認めている。
本研究では,LLMにおけるアライメント問題と,MuJoCoにおけるロボット制御問題を含む広範な実験により,提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-06-11T01:20:53Z) - Empirical analysis of PGA-MAP-Elites for Neuroevolution in Uncertain
Domains [1.376408511310322]
PGA-MAP-Elitesは決定論的および不確実な高次元環境において高い性能を示す。
PGA-MAP-Elitesによって生成される解の集合は、考慮されたベースラインを全て上回るだけでなく、不確実な環境では非常に再現性が高い。
論文 参考訳（メタデータ） (2022-10-24T12:17:18Z) - Learning Robust Scheduling with Search and Attention [6.217548079545464]
物理層リソースをチャネル品質、バッファサイズ、要求および制約に基づいてユーザに割り当てることは、無線リソースの管理における中心的な最適化問題の1つである。
MU-MIMOスケジューリングでは、スケジューラが複数のユーザを同じ時間周波数の物理リソースに割り当てることができる。
本稿では,MU-MIMOスケジューリング問題を木構造問題として扱うとともに,AlphaGo Zeroの最近の成功から借用して,最高の実行ソリューションを探す可能性について検討する。
論文 参考訳（メタデータ） (2021-11-15T20:46:26Z) - Result Diversification by Multi-objective Evolutionary Algorithms with
Theoretical Guarantees [94.72461292387146]
両目的探索問題として結果の多様化問題を再構成し,多目的進化アルゴリズム(EA)を用いて解くことを提案する。
GSEMOが最適時間近似比1/2$を達成できることを理論的に証明する。
目的関数が動的に変化すると、GSEMOはこの近似比をランニングタイムで維持することができ、Borodinらによって提案されたオープンな問題に対処する。
論文 参考訳（メタデータ） (2021-10-18T14:00:22Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Learning to Schedule Heuristics in Branch-and-Bound [25.79025327341732]
現実世界のアプリケーションは通常、迅速な意思決定を可能にするために、検索の早い段階で優れたソリューションを見つける必要があります。
正確なMIPソルバにおけるスケジューリングのための最初のデータ駆動フレームワークを提案する。
最先端の学術MIPソルバーのデフォルト設定と比較して、挑戦的なインスタンスのクラスで平均プライマリ積分を最大49%削減することができます。
論文 参考訳（メタデータ） (2021-03-18T14:49:52Z) - 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) - A Non-Dominated Sorting Based Customized Random-Key Genetic Algorithm
for the Bi-Objective Traveling Thief Problem [7.088487500434561]
本稿では,よく研究されたトラベリングティーフ問題 (TTP) の2目的変種を解く方法を提案する。
BI-TTPは、旅行時間全体の最小化と、収集したアイテムの利益の最大化を目的としている。
提案手法は,問題固有の特徴をカスタマイズしたバイアスランダム鍵遺伝的アルゴリズムに基づく。
論文 参考訳（メタデータ） (2020-02-11T10:56:13Z) - Supervised Hyperalignment for multi-subject fMRI data alignment [81.8694682249097]
本稿では,MVP解析における機能的アライメントを改善するために,SHA(Supervised Hyperalignment)手法を提案する。
マルチオブジェクトデータセットの実験では、SHA法は最大19%の性能がマルチクラス問題に対して達成されている。
論文 参考訳（メタデータ） (2020-01-09T09:17:49Z)
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。