論文の概要: Machine Learning for the Multi-Dimensional Bin Packing Problem: Literature Review and Empirical Evaluation

• arxiv url: http://arxiv.org/abs/2312.08103v1
• Date: Wed, 13 Dec 2023 12:39:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 15:21:19.040752
• Title: Machine Learning for the Multi-Dimensional Bin Packing Problem: Literature Review and Empirical Evaluation
• Title（参考訳）: 多次元ビンパッキング問題のための機械学習:文献レビューと経験的評価
• Authors: Wenjie Wu, Changjun Fan, Jincai Huang, Zhong Liu and Junchi Yan
• Abstract要約: Bin Packing Problem (BPP) は、よく確立された最適化(CO)問題である。 本稿では、まずBPPを定式化し、その変種と実用的制約を導入する。 次に,多次元BPPのための機械学習に関する総合的な調査を行う。
• 参考スコア（独自算出の注目度）: 52.560375022430236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Bin Packing Problem (BPP) is a well-established combinatorial optimization (CO) problem. Since it has many applications in our daily life, e.g. logistics and resource allocation, people are seeking efficient bin packing algorithms. On the other hand, researchers have been making constant advances in machine learning (ML), which is famous for its efficiency. In this article, we first formulate BPP, introducing its variants and practical constraints. Then, a comprehensive survey on ML for multi-dimensional BPP is provided. We further collect some public benchmarks of 3D BPP, and evaluate some online methods on the Cutting Stock Dataset. Finally, we share our perspective on challenges and future directions in BPP. To the best of our knowledge, this is the first systematic review of ML-related methods for BPP.
• Abstract（参考訳）: Bin Packing Problem (BPP) は、よく確立された組合せ最適化(CO)問題である。 物流やリソース割り当てなど、日々の生活に多くのアプリケーションがありますので、効率的なビンパッキングアルゴリズムを求めています。 一方で研究者は、機械学習(ml)の効率性で有名な、絶え間ない進歩を遂げている。 本稿では、まずBPPを定式化し、その変種と実用的制約を導入する。 次に,多次元BPPのためのMLに関する総合的な調査を行う。 さらに3D BPPの公開ベンチマークを収集し、Cutting Stock Dataset上でオンライン手法を評価する。 最後に、BPPにおける課題と今後の方向性についての見解を共有します。 我々の知る限りでは、BPPにおけるML関連手法の体系的レビューはこれが初めてである。

関連論文リスト

• Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket Recommendation [50.55786122323965]
  次バスケットレコメンデーション(NBR)は、対応するバスケットシーケンスが与えられた次のバスケット内のアイテムを推論することを目的としている。 HEKP4NBRは知識グラフ(KG)をKTP(Knowledge Tree Prompt)と呼ばれるプロンプトに変換し、PLMがOOV(Out-Of-Vocabulary)アイテムIDをエンコードするのを助ける。 ハイパーグラフ畳み込みモジュールは、複数の側面からMoEモデルによって測定されたアイテム類似性に基づいてハイパーグラフを構築するように設計されている。
  論文  参考訳（メタデータ） (2023-12-26T02:12:21Z)
• Fast Neighborhood Search Heuristics for the Colored Bin Packing Problem [0.0]
  CBPP(Colored Bin Packing Problem)は、Bin Packing Problem(BPP)の一般化である。 CBPPは、一組のアイテムを、それぞれ重量と色で詰めて、限られた容量のビンで梱包する。 CBPPに対するBPPの適応と新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-06T04:14:11Z)
• Sequential Information Design: Markov Persuasion Process and Its Efficient Reinforcement Learning [156.5667417159582]
  本稿では,逐次情報設計の新たなモデル,すなわちマルコフ説得過程(MPP)を提案する。 MPPのプランニングは、ミオピックレシーバーに同時に説得されるシグナルポリシーを見つけ、送信者の最適な長期累積ユーティリティを誘導する、というユニークな課題に直面している。 我々は,楽観主義と悲観主義の両原理の新たな組み合わせを特徴とする,実証可能な効率のよい非回帰学習アルゴリズム,Optimism-Pessimism Principle for Persuasion Process (OP4) を設計する。
  論文  参考訳（メタデータ） (2022-02-22T05:41:43Z)
• Learning to Reformulate for Linear Programming [11.628932152805724]
  本稿では,リニアプログラミング(LP)の強化学習に基づく再構成手法を提案する。 本研究では,2つの公共研究用LPデータセットと,実運用シナリオから収集した大規模LPデータセットに対して提案手法を実装した。
  論文  参考訳（メタデータ） (2022-01-17T04:58:46Z)
• Diversified Sampling for Batched Bayesian Optimization with Determinantal Point Processes [48.09817971375995]
  DPP-Batch Bayesian Optimization (DPP-BBO)を導入する。 DPP-Thompson Smpling (DPP-TS) を一般的なトンプソンサンプリング (TS) アルゴリズムの変種として定式化し、マルコフ・チェインモンテカルロ法をサンプルとして導入することによって、この枠組みを説明する。
  論文  参考訳（メタデータ） (2021-10-22T08:51:28Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)
• A Generalized Reinforcement Learning Algorithm for Online 3D Bin-Packing [7.79020719611004]
  本稿では,オンライン3次元ビンパッキング問題の解法としてDeep Reinforcement Learning (Deep RL)アルゴリズムを提案する。 その焦点は、ロボットのローディングアームで物理的に実装できる意思決定を作ることだ。 実験的な競合比と容積効率の観点から,RL法は最先端のオンラインビンパッキングよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-01T13:02:04Z)
• Online 3D Bin Packing with Constrained Deep Reinforcement Learning [27.656959508214193]
  我々は3D Bin Packing Problem(3D-BPP)の難解だが実用的に有用な変種を解く。 我々の問題では、エージェントは、容器に詰め込むアイテムに関する情報が限られており、アイテムはバッファリングやリフレクションをすることなく、到着直後にパッキングされなければならない。 本稿ではアクター・クリティカルな枠組みの下で,効果的かつ容易に実装可能な制約付き深層強化学習法を提案する。
  論文  参考訳（メタデータ） (2020-06-26T13:28:27Z)

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。