論文の概要: Learning the Quality of Machine Permutations in Job Shop Scheduling

• arxiv url: http://arxiv.org/abs/2207.03244v1
• Date: Thu, 7 Jul 2022 11:53:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-08 12:52:02.926403
• Title: Learning the Quality of Machine Permutations in Job Shop Scheduling
• Title（参考訳）: ジョブショップスケジューリングにおける機械順応の質の学習
• Authors: Andrea Corsini, Simone Calderara, and Mauro Dell'Amico
• Abstract要約: 機械の順列の質を予測することを目的とした新しい教師付き学習タスクを提案する。 そして、我々は、正確な逐次深層学習モデルを作成することができるような、この品質を推定する独自の方法論を設計する。
• 参考スコア（独自算出の注目度）: 9.972171952370287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the power demonstrated by Machine Learning (ML) has increasingly attracted the interest of the optimization community that is starting to leverage ML for enhancing and automating the design of optimal and approximate algorithms. One combinatorial optimization problem that has been tackled with ML is the Job Shop scheduling Problem (JSP). Most of the recent works focusing on the JSP and ML are based on Deep Reinforcement Learning (DRL), and only a few of them leverage supervised learning techniques. The recurrent reasons for avoiding supervised learning seem to be the difficulty in casting the right learning task, i.e., what is meaningful to predict, and how to obtain labels. Therefore, we first propose a novel supervised learning task that aims at predicting the quality of machine permutations. Then, we design an original methodology to estimate this quality that allows to create an accurate sequential deep learning model (binary accuracy above 95%). Finally, we empirically demonstrate the value of predicting the quality of machine permutations by enhancing the performance of a simple Tabu Search algorithm inspired by the works in the literature.
• Abstract（参考訳）: 近年、機械学習(ml)によって実証されたパワーは、最適および近似アルゴリズムの設計を拡張および自動化するためにmlを活用している最適化コミュニティの関心を引き付けている。 MLで対処された組合せ最適化問題の1つは、ジョブショップスケジューリング問題(JSP)である。 jspとmlに焦点を当てた最近の研究のほとんどは、ディープ強化学習(drl)に基づいており、教師あり学習技術を活用するものはごくわずかである。 教師付き学習を避けることの繰り返しの理由は、正しい学習タスク、すなわち予測する意味のあるもの、ラベルの取得方法のキャスティングが困難であるように思われる。 そこで本研究では,まず機械置換の質を予測することを目的とした教師あり学習タスクを提案する。 次に,この品質を推定するために,精度の高い逐次的深層学習モデル(2次精度95%以上)を作成できる独自の手法を考案する。 最後に,本論文に触発された単純なタブ探索アルゴリズムの性能を向上させることにより,機械の順列の質を予測することの価値を実証的に示す。

関連論文リスト

• Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
  アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。 この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。 本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
  論文  参考訳（メタデータ） (2024-03-12T08:40:21Z)
• 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)
• Large Scale Mask Optimization Via Convolutional Fourier Neural Operator and Litho-Guided Self Training [54.16367467777526]
  マスクタスクを効率的に学習できる畳み込みニューラルネットワーク(CFCF)を提案する。 機械学習ベースのフレームワークが初めて、最先端の数値マスクデータセットを上回った。
  論文  参考訳（メタデータ） (2022-07-08T16:39:31Z)
• Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
  非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。 我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。 これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-21T13:18:11Z)
• Machine Learning Constructives and Local Searches for the Travelling Salesman Problem [7.656272344163667]
  本稿では,従来のディープラーニングモデルの計算量の改善について述べる。 ローカル検索のフェーズを追加する可能性を探り、パフォーマンスをさらに向上する。
  論文  参考訳（メタデータ） (2021-08-02T14:34:44Z)
• Memory-Based Optimization Methods for Model-Agnostic Meta-Learning and Personalized Federated Learning [56.17603785248675]
  モデルに依存しないメタラーニング (MAML) が人気のある研究分野となっている。 既存のMAMLアルゴリズムは、イテレーション毎にメタモデルを更新するためにいくつかのタスクとデータポイントをサンプリングすることで、エピソードのアイデアに依存している。 本稿では,MAMLのメモリベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-09T08:47:58Z)
• First-order Optimization for Superquantile-based Supervised Learning [0.0]
  本稿では,超量子的学習目標を最小化する一階最適化アルゴリズムを提案する。 提案アルゴリズムは,不完全な畳み込みによる超量子関数の平滑化に基づく。
  論文  参考訳（メタデータ） (2020-09-30T11:43:45Z)
• Mastering Rate based Curriculum Learning [78.45222238426246]
  学習の進行という概念には、学習者のサンプル効率の低下につながるいくつかの欠点があると主張する。 本稿では,習得率の概念に基づく新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-14T16:34:01Z)

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。