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
- Characterization of Large Language Model Development in the Datacenter [57.49531095113406]
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) - Beyond Efficiency: A Systematic Survey of Resource-Efficient Large
Language Models [34.327846901536425]
LLM(Large Language Models)は、計算、メモリ、エネルギー、金融資源の高消費に課題をもたらす。
本調査は, LLMの資源効率向上を目的とした多種多様な手法を概観することにより, これらの課題を体系的に解決することを目的としている。
論文 参考訳(メタデータ) (2024-01-01T01:12:42Z) - Data Management For Large Language Models: A Survey [66.59562797566163]
大規模言語モデル(LLM)の訓練におけるデータの役割
本調査は,LLMの事前学習および教師付き微調整段階におけるデータ管理の現状を概観する。
論文 参考訳(メタデータ) (2023-12-04T07:42:16Z) - Enabling Resource-efficient AIoT System with Cross-level Optimization: A
survey [20.360136850102833]
この調査は、より自由なリソースパフォーマンストレードオフのために、より広い最適化スペースを提供することを目的としています。
様々なレベルに散らばる問題やテクニックを統合することで、読者のつながりを理解し、さらなる議論を促すことを目指している。
論文 参考訳(メタデータ) (2023-09-27T08:04:24Z) - A Comprehensive Survey of Artificial Intelligence Techniques for Talent
Analytics [49.53664196592719]
タレント分析は人的資源管理に応用されたデータ科学において有望な分野として現れてきた。
ビッグデータと人工知能技術の最近の発展は、人的資源管理に革命をもたらした。
論文 参考訳(メタデータ) (2023-07-03T07:53:20Z) - 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) - A Theoretical Perspective of Machine Learning with 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。
ストリーム学習には自然に適用でき、受信したデータストリームは、圧倒的なサイズで無限に終了する可能性がある。
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。