論文の概要: Dynamic Scheduling of a Multiclass Queue in the Halfin-Whitt Regime: A Computational Approach for High-Dimensional Problems

• arxiv url: http://arxiv.org/abs/2311.18128v1
• Date: Wed, 29 Nov 2023 22:38:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 18:40:23.999683
• Title: Dynamic Scheduling of a Multiclass Queue in the Halfin-Whitt Regime: A Computational Approach for High-Dimensional Problems
• Title（参考訳）: 半Whittレジームにおけるマルチクラスキューの動的スケジューリング:高次元問題に対する計算的アプローチ
• Authors: Bar{\i}\c{s} Ata and Ebru Ka\c{s}{\i}karalar
• Abstract要約: システムマネージャが利用可能なサーバを顧客コールに動的に割り当てる,電話センターのマルチクラス待ち行列モデルについて考察する。 本稿では,元来のコールセンタースケジューリング問題に対するポリシーを提案する。 このポリシーの性能は、一般に利用可能なコールセンタデータに基づいてテスト問題を用いて評価される。
• 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: We consider a multi-class queueing model of a telephone call center, in which a system manager dynamically allocates available servers to customer calls. Calls can terminate through either service completion or customer abandonment, and the manager strives to minimize the expected total of holding costs plus abandonment costs over a finite horizon. Focusing on the Halfin-Whitt heavy traffic regime, we derive an approximating diffusion control problem, and building on earlier work by Han et al. (2018), develop a simulation-based computational method for solution of such problems, one that relies heavily on deep neural network technology. Using this computational method, we propose a policy for the original (pre-limit) call center scheduling problem. Finally, the performance of this policy is assessed using test problems based on publicly available call center data. For the test problems considered so far, our policy does as well as the best benchmark we could find. Moreover, our method is computationally feasible at least up to dimension 100, that is, for call centers with 100 or more distinct customer classes.
• Abstract（参考訳）: 我々は,システム管理者が利用可能なサーバを動的に顧客呼び出しに割り当てる電話センターのマルチクラス待ち行列モデルを検討する。 呼び出しは、サービス完了または顧客の放棄のいずれかで終了することができ、管理者は、保持コストと放棄コストを有限の地平線上で最小化する。 ハーディン=ウィット重交通体制に着目して拡散制御問題を近似し、Han et al. (2018) による以前の研究に基づいて、深層ニューラルネットワーク技術に大きく依存するそのような問題を解決するためのシミュレーションベースの計算手法を開発する。 この計算手法を用いて,従来の(事前限)コールセンタースケジューリング問題に対するポリシーを提案する。 最後に、このポリシーの性能を、利用可能なコールセンターデータに基づいてテスト問題を用いて評価する。 これまで検討されたテスト問題に対して、当社のポリシーは最良のベンチマークと同様に機能します。 さらに,本手法は,100以上の異なる顧客クラスを持つコールセンタに対して,少なくとも100次元まで計算可能となる。

関連論文リスト

• QGym: Scalable Simulation and Benchmarking of Queuing Network Controllers [18.165277140634934]
  キューネットワーク制御は、混雑を管理するために不足するリソースの割り当てを決定する。 本稿では,実際の問題インスタンスにまたがる待ち行列ポリシーをベンチマークする,オープンソースの待ち行列シミュレーションフレームワークQGymを提案する。
  論文  参考訳（メタデータ） (2024-10-08T16:15:30Z)
• Computation Offloading for Multi-server Multi-access Edge Vehicular Networks: A DDQN-based Method [24.929044360625685]
  元の問題を,オフロード決定段階と要求スケジューリング段階の2つの段階に分ける。 本稿では、最適なオフロードサーバを選択するために、モビリティパラメータとサーバ負荷の両方に基づくサーバ評価機構を導入する。 サーバリソースをフル活用するために,Double Deep Q-network(DDQN)ベースの報酬評価アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-02-21T04:41:46Z)
• Learning RL-Policies for Joint Beamforming Without Exploration: A Batch Constrained Off-Policy Approach [1.0080317855851213]
  本稿では,ネットワークにおけるパラメータキャンセル最適化の問題点について考察する。 探索と学習のために実世界でアルゴリズムをデプロイすることは、探索せずにデータによって達成できることを示す。
  論文  参考訳（メタデータ） (2023-10-12T18:36:36Z)
• Implementing Reinforcement Learning Datacenter Congestion Control in NVIDIA NICs [64.26714148634228]
  渋滞制御 (CC) アルゴリズムの設計は非常に困難になる。 現在、計算能力に制限があるため、ネットワークデバイスにAIモデルをデプロイすることはできない。 我々は,近年の強化学習CCアルゴリズムに基づく計算軽度解を構築した。
  論文  参考訳（メタデータ） (2022-07-05T20:42:24Z)
• Joint Client Scheduling and Resource Allocation under Channel Uncertainty in Federated Learning [47.97586668316476]
  無線ネットワーク上のフェデレートラーニング(FL)は、クライアントサーバの接続性とクライアントのローカル計算能力の信頼性に依存する。 本稿では、FLを用いたモデルトレーニングの性能を高めるため、クライアントスケジューリングとリソースブロック(RB)割り当ての問題について検討する。 提案手法は,最先端クライアントスケジューリングやRBアロケーション手法と比較して,トレーニング精度損失のギャップを最大40.7%削減する。
  論文  参考訳（メタデータ） (2021-06-12T15:18:48Z)
• Better than the Best: Gradient-based Improper Reinforcement Learning for Network Scheduling [60.48359567964899]
  パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。 我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
  論文  参考訳（メタデータ） (2021-05-01T10:18:34Z)
• Memory Clustering using Persistent Homology for Multimodality- and Discontinuity-Sensitive Learning of Optimal Control Warm-starts [24.576214898129823]
  シューティング法は非線形最適制御問題の解法として効率的である。 最近の研究は、問題空間のオフライン探索中に生成されたサンプルに基づいてトレーニングされた学習モデルからの最初の推測を提供することに重点を置いている。 本研究では、代数的トポロジーからツールを適用し、解空間の基盤構造に関する情報を抽出する。
  論文  参考訳（メタデータ） (2020-10-02T14:24:59Z)
• Adaptive Serverless Learning [114.36410688552579]
  本研究では,データから学習率を動的に計算できる適応型分散学習手法を提案する。 提案アルゴリズムは, 作業者数に対して線形高速化が可能であることを示す。 通信効率のオーバーヘッドを低減するため,通信効率のよい分散訓練手法を提案する。
  論文  参考訳（メタデータ） (2020-08-24T13:23:02Z)
• A Machine Learning Approach for Task and Resource Allocation in Mobile Edge Computing Based Networks [108.57859531628264]
  無線ネットワークにおいて,共同作業,スペクトル,送信電力配分問題について検討する。 提案アルゴリズムは、標準Q-ラーニングアルゴリズムと比較して、収束に必要なイテレーション数と全ユーザの最大遅延を最大18%、11.1%削減することができる。
  論文  参考訳（メタデータ） (2020-07-20T13:46:42Z)
• Exact Support Recovery in Federated Regression with One-shot Communication [31.061339148448006]
  フェデレーション学習は、分散コンピューティング、データオーナシップ、プライバシといった課題に対処するためのフレームワークを提供する。 正確なサポートを計算するために,集中型サーバとのワンショット通信しか必要としない単純な通信アルゴリズムを提供する。 本手法では,クライアントが任意の最適化問題を解く必要はなく,計算能力の低いデバイスでも実行可能である。
  論文  参考訳（メタデータ） (2020-06-22T19:48:39Z)
• Decentralized MCTS via Learned Teammate Models [89.24858306636816]
  本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。 深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-19T13:10:20Z)

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。