論文の概要: Empirical Evaluation of Project Scheduling Algorithms for Maximization
of the Net Present Value
- arxiv url: http://arxiv.org/abs/2207.03330v1
- Date: Tue, 5 Jul 2022 03:01:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-08 14:10:29.395517
- Title: Empirical Evaluation of Project Scheduling Algorithms for Maximization
of the Net Present Value
- Title（参考訳）: 純現値最大化のためのプロジェクトスケジューリングアルゴリズムの実証評価
- Authors: Isac M. Lacerda, Eber A. Schmitz, Jayme L. Szwarcfiter, Rosiane de
Freitas
- Abstract要約: 本稿では,3つのプロジェクトスケジューリングアルゴリズムの実証的性能解析について述べる。
選択されたアルゴリズムは、Recursive Search (RS)、Steepest Ascent Approach (SAA)、Hybrid Search (HS)である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents an empirical performance analysis of three project
scheduling algorithms dealing with maximizing projects' net present value with
unrestricted resources. The selected algorithms, being the most recently cited
in the literature, are: Recursive Search (RS), Steepest Ascent Approach (SAA)
and Hybrid Search (HS). The main motivation for this research is the lack of
knowledge about the computational complexities of the RS, SAA, and HS
algorithms, since all studies to date show some gaps in the analysis.
Furthermore, the empirical analysis performed to date does not consider the
fact that one algorithm (HS) uses a dual search strategy, which markedly
improved the algorithm's performance, while the others don't. In order to
obtain a fair performance comparison, we implemented the dual search strategy
into the other two algorithms (RS and SAA), and the new algorithms were called
Recursive Search Forward-Backward (RSFB) and Steepest Ascent Approach
Forward-Backward (SAAFB). The algorithms RSFB, SAAFB, and HS were submitted to
a factorial experiment with three different project network sampling
characteristics. The results were analyzed using the Generalized Linear Models
(GLM) statistical modeling technique that showed: a) the general computational
costs of RSFB, SAAFB, and HS; b) the costs of restarting the search in the
spanning tree as part of the total cost of the algorithms; c) and statistically
significant differences between the distributions of the algorithms' results.
- Abstract（参考訳）: 本稿では,制約のない資源でプロジェクトの提示価値を最大化する3つのプロジェクトスケジューリングアルゴリズムの実証的性能解析を行う。
この文献で最近引用されたアルゴリズムは、Recursive Search (RS)、Steepest Ascent Approach (SAA)、Hybrid Search (HS)である。
この研究の主な動機は、rsアルゴリズム、saaアルゴリズム、hsアルゴリズムの計算複雑性に関する知識の欠如である。
さらに、これまでに行われた経験的分析では、一方のアルゴリズム(HS)が二重探索戦略を使用しているという事実を考慮せず、他方のアルゴリズムの性能は著しく改善されている。
本研究では,2つのアルゴリズム (RS と SAA) に2つの探索戦略を実装し,新たなアルゴリズムをRecursive Search Forward-Backward (RSFB) と Steepest Ascent Approach Forward-Backward (SAAFB) と呼ぶ。
RSFB, SAAFB, HSのアルゴリズムは, 3つの異なるプロジェクトネットワークサンプリング特性を持つ因子実験を行った。
一般化線形モデル (glm) の統計モデリング手法を用いて, 以下の結果を得た。
a) RSFB,SAAFB及びHSの一般計算コスト
b) アルゴリズムの総コストの一部として,スパンツリーの検索を再開するコスト
c) アルゴリズムの結果の分布と統計的に有意な差。
関連論文リスト
- Time-Series Forecasting in Smart Manufacturing Systems: An Experimental Evaluation of the State-of-the-art Algorithms [0.0]
TSFは製造を含む様々な領域で成長している。
本研究の目的は、13の製造データセット上でのSoTA TSFアルゴリズムの評価により、このギャップを埋めることである。
論文 参考訳（メタデータ） (2024-11-26T15:10:31Z) - Balancing exploration and exploitation phases in whale optimization
algorithm: an insightful and empirical analysis [4.0814527055582746]
文献における頑健でよく認識されているメタヒューリスティックアルゴリズムとしての鯨最適化アルゴリズムは、このバランスを達成するための新しいスキームを提案している。
本章では,WOAアルゴリズムの局所的およびグローバルな探索能力を実証的に分析する。
論文 参考訳（メタデータ） (2023-09-03T19:15:34Z) - Comprehensive Algorithm Portfolio Evaluation using Item Response Theory [0.19116784879310023]
IRTは、単一の分類データセット上での機械学習アルゴリズムのパフォーマンスを評価するために応用されている。
我々は、データセットのリポジトリにまたがるアルゴリズムのポートフォリオを評価するためのIRTベースの修正フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-29T00:48:29Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。
私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。
2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
論文 参考訳（メタデータ） (2023-03-23T16:15:03Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - On the Convergence of Distributed Stochastic Bilevel Optimization
Algorithms over a Network [55.56019538079826]
バイレベル最適化は、幅広い機械学習モデルに適用されている。
既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。
そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-06-30T05:29:52Z) - An Overview and Experimental Study of Learning-based Optimization
Algorithms for Vehicle Routing Problem [49.04543375851723]
車両ルーティング問題(VRP)は典型的な離散最適化問題である。
多くの研究は、VRPを解決するための学習に基づく最適化アルゴリズムについて検討している。
本稿では、最近のこの分野の進歩を概観し、関連するアプローチをエンドツーエンドアプローチとステップバイステップアプローチに分割する。
論文 参考訳（メタデータ） (2021-07-15T02:13:03Z) - Identifying Co-Adaptation of Algorithmic and Implementational
Innovations in Deep Reinforcement Learning: A Taxonomy and Case Study of
Inference-based Algorithms [15.338931971492288]
我々は、アルゴリズムの革新と実装決定を分離するために、一連の推論に基づくアクター批判アルゴリズムに焦点を当てる。
実装の詳細がアルゴリズムの選択に一致すると、パフォーマンスが大幅に低下します。
結果は、どの実装の詳細がアルゴリズムと共適応され、共進化しているかを示す。
論文 参考訳（メタデータ） (2021-03-31T17:55:20Z) - 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) - Performance Analysis of Meta-heuristic Algorithms for a Quadratic
Assignment Problem [6.555180412600522]
二次代入問題 (QAP) はNPハード問題に属する最適化問題である。
ヒューリスティックスとメタヒューリスティックスアルゴリズムはこの問題の一般的な解法である。
本稿では,QAPの解法に異なるメタヒューリスティックアルゴリズムを適用するための比較研究の1つである。
論文 参考訳（メタデータ） (2020-07-29T15:02:07Z)
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。