論文の概要: Two-Stage Learning For the Flexible Job Shop Scheduling Problem

• arxiv url: http://arxiv.org/abs/2301.09703v1
• Date: Mon, 23 Jan 2023 20:23:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-01-25 14:58:20.807052
• Title: Two-Stage Learning For the Flexible Job Shop Scheduling Problem
• Title（参考訳）: フレキシブルなジョブショップスケジューリング問題の2段階学習
• Authors: Wenbo Chen, Reem Khir and Pascal Van Hentenryck
• Abstract要約: 本稿では,フレキシブルジョブショップスケジューリング問題に対して,ディープラーニングフレームワークを用いて高速かつ正確な近似を生成する可能性について検討する。 本稿では,FJSP決定の階層的性質を明示的にモデル化する2段階学習フレームワークを提案する。 その結果、2SL-FJSPはミリ秒で高品質なソリューションを生成でき、最先端の強化学習手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 18.06058556156014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Flexible Job-shop Scheduling Problem (FJSP) is an important combinatorial optimization problem that arises in manufacturing and service settings. FJSP is composed of two subproblems, an assignment problem that assigns tasks to machines, and a scheduling problem that determines the starting times of tasks on their chosen machines. Solving FJSP instances of realistic size and composition is an ongoing challenge even under simplified, deterministic assumptions. Motivated by the inevitable randomness and uncertainties in supply chains, manufacturing, and service operations, this paper investigates the potential of using a deep learning framework to generate fast and accurate approximations for FJSP. In particular, this paper proposes a two-stage learning framework 2SLFJSP that explicitly models the hierarchical nature of FJSP decisions, uses a confidence-aware branching scheme to generate appropriate instances for the scheduling stage from the assignment predictions and leverages a novel symmetry-breaking formulation to improve learnability. 2SL-FJSP is evaluated on instances from the FJSP benchmark library. Results show that 2SL-FJSP can generate high-quality solutions in milliseconds, outperforming a state-of-the-art reinforcement learning approach recently proposed in the literature, and other heuristics commonly used in practice.
• Abstract（参考訳）: フレキシブルジョブショップスケジューリング問題(FJSP)は、製造やサービス設定で発生する重要な組合せ最適化問題である。 FJSPは2つのサブプロブレムと、タスクをマシンに割り当てる代入問題と、選択したマシン上のタスクの開始時間を決定するスケジューリング問題で構成される。 fjspインスタンスの現実的なサイズと構成の解決は、シンプルで決定論的仮定の下でも進行中の課題である。 本稿では,サプライチェーン,製造,サービス運用における必然的ランダム性と不確実性から,FJSPの高速かつ正確な近似を生成するためのディープラーニングフレームワークの可能性について検討する。 特に,fjsp決定の階層的性質を明示的にモデル化する2段階学習フレームワーク2slfjspを提案し,信頼度に着目した分岐スキームを用いて割り当て予測からスケジューリングステージの適切なインスタンスを生成し,新しい対称性を破る定式化を利用して学習可能性を向上させる。 2SL-FJSPは、FJSPベンチマークライブラリのインスタンスで評価される。 その結果、2SL-FJSPはミリ秒で高品質なソリューションを生成でき、最近論文で提案された最先端の強化学習手法と、実際に一般的に用いられている他のヒューリスティックスよりも優れていることがわかった。

関連論文リスト

• Learning-Guided Rolling Horizon Optimization for Long-Horizon Flexible Job-Shop Scheduling [7.806139495906425]
  長い水平最適化問題(COP)は、拡張時間枠に対する複雑な相互依存的な決定を伴うことが多い。 RHO(Rolling Horizon Optimization)は、問題を短い水平サブプロブレムに分割することでこの問題に対処する。 COPのための最初の学習誘導型RHOフレームワークであるL-RHOについて述べる。
  論文  参考訳（メタデータ） (2025-02-18T15:54:54Z)
• Boost, Disentangle, and Customize: A Robust System2-to-System1 Pipeline for Code Generation [58.799397354312596]
  大規模言語モデル(LLM)は、様々な領域、特にシステム1タスクにおいて顕著な機能を示した。 System2-to-System1法に関する最近の研究が急増し、推論時間計算によるシステム2の推論知識が探索された。 本稿では,システム2タスクの代表的タスクであるコード生成に注目し,主な課題を2つ挙げる。
  論文  参考訳（メタデータ） (2025-02-18T03:20:50Z)
• A Benchmarking Environment for Worker Flexibility in Flexible Job Shop Scheduling Problems [0.0]
  生産スケジューリングにおいて、フレキシブルジョブショップスケジューリング問題(FJSSP)は、一連の操作を最適化し、それぞれの処理時間を異なるマシンに割り当てることを目的としている。 結果として生じる問題はFlexible Job Shop Scheduling Problem with Worker Flexibility (FJSSP-W)と呼ばれる。 本稿では、一般に受け入れられているFJSSPインスタンス402のコレクションを示し、労働者の柔軟性で拡張するアプローチを提案する。
  論文  参考訳（メタデータ） (2025-01-27T15:56:12Z)
• Learning to Solve Job Shop Scheduling under Uncertainty [1.3002317221601185]
  ジョブショップスケジューリング問題(JSSP、Job-Shop Scheduling Problem)は、タスクをマシン上でスケジュールする必要がある最適化問題である。 本稿では,Dreep Reinforcement Learning (DRL) 技術を利用してロバストなソリューションを探索する手法を提案する。
  論文  参考訳（メタデータ） (2024-03-04T08:38:55Z)
• Accelerate Presolve in Large-Scale Linear Programming via Reinforcement Learning [92.31528918811007]
  本稿では,P1)-(P3) を同時に扱うための簡易かつ効率的な強化学習フレームワーク,すなわち,事前解決のための強化学習(RL4Presolve)を提案する。 2つの解法と8つのベンチマーク(実世界と合成)の実験により、RL4Presolveは大規模LPの解法効率を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2023-10-18T09:51:59Z)
• Residual Scheduling: A New Reinforcement Learning Approach to Solving Job Shop Scheduling Problem [8.398387430247201]
  ジョブショップスケジューリング問題(Job-shop scheduling problem、JSP)は、製造業などで広く使われている数学最適化問題である。 本稿では,FJSPの解法に対する残差スケジューリングという新しい手法を提案する。 20台のマシンで150以上のジョブ数を持つ50のインスタンスで49のギャップに到達しています。
  論文  参考訳（メタデータ） (2023-09-27T09:33:56Z)
• Job Shop Scheduling Benchmark: Environments and Instances for Learning and Non-learning Methods [5.41519828413362]
  ジョブショップスケジューリング問題は、ジョブショップ設定におけるタスクのルーティングとシークエンシングに対処する。 本稿では,ジョブショップスケジューリング問題の統一実装とその解法について紹介する。 私たちのプラットフォームは、古典的なジョブショップ(JSP)、フローショップ(FSP)、フレキシブルジョブショップ(FJSP)、アセンブリジョブショップ(AJSP)をサポートしています。
  論文  参考訳（メタデータ） (2023-08-24T13:49:48Z)
• Semantically Aligned Task Decomposition in Multi-Agent Reinforcement Learning [56.26889258704261]
  我々は,MARL(SAMA)における意味的アライズされたタスク分解という,新しい「不整合」意思決定手法を提案する。 SAMAは、潜在的な目標を示唆し、適切な目標分解とサブゴールアロケーションを提供するとともに、自己回帰に基づくリプランニングを提供する、チェーン・オブ・シントによる事前訓練された言語モデルを促進する。 SAMAは, 最先端のASG法と比較して, 試料効率に有意な優位性を示す。
  論文  参考訳（メタデータ） (2023-05-18T10:37:54Z)
• Flexible Job Shop Scheduling via Dual Attention Network Based Reinforcement Learning [73.19312285906891]
  フレキシブルなジョブショップスケジューリング問題(FJSP)では、複数のマシンで操作を処理でき、操作とマシンの間の複雑な関係が生じる。 近年, 深層強化学習(DRL)を用いて, FJSP解決のための優先派遣規則(PDR)を学習している。 本稿では,Deep機能抽出のための自己注意モデルと,スケーラブルな意思決定のためのDRLの利点を生かした,エンドツーエンド学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-09T01:35:48Z)
• Neur2SP: Neural Two-Stage Stochastic Programming [3.5417030119735045]
  我々はニューラルネットワークを介して期待値関数を近似する新しい方法Neur2SPを開発した。 Neur2SPはすべての問題に対して1.66秒未満で、シナリオの数が増えても高品質なソリューションを実現する。
  論文  参考訳（メタデータ） (2022-05-20T22:09:22Z)
• Fast Approximations for Job Shop Scheduling: A Lagrangian Dual Deep Learning Method [44.4747903763245]
  ジョブショップスケジューリング問題(Jobs shop Scheduling Problem、JSP)は、様々な産業目的のために日常的に解決される標準最適化問題である。 問題はNPハードであり、中規模のインスタンスでも計算が困難である。 本稿では,問題に対する効率的かつ正確な近似を提供するためのディープラーニングアプローチについて検討する。
  論文  参考訳（メタデータ） (2021-10-12T21:15:19Z)
• 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)
• 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)

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。