論文の概要: Autonomous Resource Management in Construction Companies Using Deep
Reinforcement Learning Based on IoT
- arxiv url: http://arxiv.org/abs/2208.08087v1
- Date: Wed, 17 Aug 2022 05:58:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 12:29:03.157474
- Title: Autonomous Resource Management in Construction Companies Using Deep
Reinforcement Learning Based on IoT
- Title（参考訳）: IoTに基づく深層強化学習を用いた建設企業の自律的資源管理
- Authors: Maryam Soleymani and Mahdi Bonyani
- Abstract要約: 本研究の目的は,Deep Reinforcement Learning(DRL)に基づく建設企業のための自動資源配分構造を提供することである。
この構造では、Data Harvesting (DH)は、分散IoT(Internet of Things)センサーデバイスから企業のプロジェクト全体からリソース情報を収集し、自律的なリソース管理アプローチを採用する。
同様に、類似したモデルを持つDouble Deep Q-Networks (DDQNs) は、目標とリソース制約のバランスをとるために、会社の構造化リソース情報に基づいて、2つの異なる割り当て状況に基づいて訓練される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Resource allocation is one of the most critical issues in planning
construction projects, due to its direct impact on cost, time, and quality.
There are usually specific allocation methods for autonomous resource
management according to the projects objectives. However, integrated planning
and optimization of utilizing resources in an entire construction organization
are scarce. The purpose of this study is to present an automatic resource
allocation structure for construction companies based on Deep Reinforcement
Learning (DRL), which can be used in various situations. In this structure,
Data Harvesting (DH) gathers resource information from the distributed Internet
of Things (IoT) sensor devices all over the companys projects to be employed in
the autonomous resource management approach. Then, Coverage Resources
Allocation (CRA) is compared to the information obtained from DH in which the
Autonomous Resource Management (ARM) determines the project of interest.
Likewise, Double Deep Q-Networks (DDQNs) with similar models are trained on two
distinct assignment situations based on structured resource information of the
company to balance objectives with resource constraints. The suggested
technique in this paper can efficiently adjust to large resource management
systems by combining portfolio information with adopted individual project
information. Also, the effects of important information processing parameters
on resource allocation performance are analyzed in detail. Moreover, the
results of the generalizability of management approaches are presented,
indicating no need for additional training when the variables of situations
change.
- Abstract（参考訳）: リソース割り当ては、コスト、時間、品質に直接影響するため、建設プロジェクトの計画において最も重要な問題の1つです。
通常、プロジェクトの目的に応じて自律的なリソース管理のための特定の割り当て方法があります。
しかし, 建設組織全体における資源利用の総合的な計画と最適化は乏しい。
本研究の目的は,様々な状況で利用できる深層強化学習(DRL)に基づく建設企業のための自動資源配分構造を提案することである。
この構造では、Data Harvesting (DH)は、分散IoT(Internet of Things)センサーデバイスから企業のプロジェクト全体からリソース情報を収集し、自律的なリソース管理アプローチを採用する。
次に、CRA(Coverage Resources Allocation)を、自律資源管理(ARM)が関心のプロジェクトを決定するDHから得られる情報と比較する。
同様に、類似したモデルを持つDouble Deep Q-Networks (DDQNs) も、目標とリソース制約のバランスをとるために、会社の構造化リソース情報に基づいて、2つの異なる割り当て状況に基づいて訓練されている。
提案手法は,ポートフォリオ情報と採用個別プロジェクト情報を組み合わせることで,大規模資源管理システムに効率よく適応することができる。
また、重要な情報処理パラメータがリソース割り当て性能に与える影響を詳細に分析する。
さらに,管理アプローチの一般化結果を示し,状況変数が変化しても追加トレーニングは不要であることを示す。
関連論文リスト
- A Comprehensive Survey on Joint Resource Allocation Strategies in Federated Edge Learning [9.806901443019008]
Federated Edge Learning (FEL)は、分散環境でのモデルトレーニングを可能にすると同時に、ユーザデータの物理的分離を利用することで、ユーザのプライバシを確保する。
IoT(Internet of Things)やSmart Earthといった複雑なアプリケーションシナリオの開発により、従来のリソース割り当てスキームは、これらの増大する計算および通信要求を効果的にサポートすることができなくなった。
本稿では,複数の資源需要が増大する中で,計算と通信の多面的課題を体系的に解決する。
論文 参考訳（メタデータ） (2024-10-10T13:02:00Z) - Resource Allocation and Workload Scheduling for Large-Scale Distributed Deep Learning: A Survey [48.06362354403557]
本調査は,大規模分散DLの効率的な資源配分とワークロードスケジューリング戦略について,主に2019年から2024年までの文献を概説する。
トピックごとに重要な課題を強調し、既存の技術に関する重要な洞察について議論する。
この調査は、コンピュータ科学、人工知能、通信研究者が最近の進歩を理解することを奨励することを目的としている。
論文 参考訳（メタデータ） (2024-06-12T11:51:44Z) - Characterization of Large Language Model Development in the Datacenter [55.9909258342639]
大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。
しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。
我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
論文 参考訳（メタデータ） (2024-03-12T13:31:14Z) - Data Management For Training Large Language Models: A Survey [64.18200694790787]
大規模言語モデル(LLM)のトレーニングにおいて、データは基本的な役割を果たす
本調査は,LLMの事前学習および微調整段階におけるデータ管理の現状を概観するものである。
論文 参考訳（メタデータ） (2023-12-04T07:42:16Z) - Bringing AI to the edge: A formal M&S specification to deploy effective
IoT architectures [0.0]
モノのインターネットは私たちの社会を変え、生活の質と資源管理を改善する新しいサービスを提供しています。
これらのアプリケーションは、限られたコンピューティングリソースとパワーを持つ、複数の分散デバイスのユビキタスネットワークに基づいている。
フォグコンピューティングのような新しいアーキテクチャが登場し、コンピューティング基盤をデータソースに近づけている。
論文 参考訳（メタデータ） (2023-05-11T21:29:58Z) - Learnability with Time-Sharing Computational Resource Concerns [65.268245109828]
本稿では,学習理論における計算資源の影響を考慮した理論的枠組みを提案する。
このフレームワークは、入ってくるデータストリームが潜在的に無限であるようなストリーム学習に自然に適用できる。
これはまた、インテリジェントなスーパーコンピュータオペレーティングシステムの設計に対する理論的視点を提供するかもしれない。
論文 参考訳（メタデータ） (2023-05-03T15:54:23Z) - Digital Twin-Empowered Network Planning for Multi-Tier Computing [14.746301139910472]
6Gネットワークで普及するステートフルアプリケーションをサポートするためのリソース管理方式を設計する。
コアネットワーク,ゲートウェイ,基地局にサーバを配置したマルチ層コンピューティングパラダイムを用いて,長期リソース予約の最適化を目指す。
提案するDTを利用したネットワークプランニングは,リソースの削減と再設定コストの低減により,ベンチマークフレームワークよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-10-06T00:32:59Z) - Deep Transfer Learning for Multi-source Entity Linkage via Domain
Adaptation [63.24594955429465]
マルチソースエンティティリンクは、データのクリーニングやユーザ縫合といった、高インパクトなアプリケーションにおいて重要である。
AdaMELは、多ソースエンティティリンクを実行するための一般的なハイレベルな知識を学ぶディープトランスファー学習フレームワークである。
本フレームワークは,教師付き学習に基づく平均的手法よりも8.21%向上した最先端の学習結果を実現する。
論文 参考訳（メタデータ） (2021-10-27T15:20:41Z) - Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。
提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。
シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
論文 参考訳（メタデータ） (2020-10-06T16:51:09Z) - Artificial Intelligence (AI)-Centric Management of Resources in Modern
Distributed Computing Systems [22.550075095184514]
Cloud Data Centres (DCS) は大規模で複雑で異種であり、複数のネットワークと地理的境界に分散している。
IoT(Internet of Things)駆動のアプリケーションは、リアルタイム処理と迅速な応答を必要とする膨大なデータを生成しています。
既存のリソース管理システム(RMS)は、そのような複合システムや動的システムには静的またはソリューションが不十分である。
論文 参考訳（メタデータ） (2020-06-09T06:54:07Z)
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。