論文の概要: Introducing PetriRL: An Innovative Framework for JSSP Resolution
Integrating Petri nets and Event-based Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2402.00046v1
- Date: Tue, 23 Jan 2024 12:30:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-04 05:11:28.890868
- Title: Introducing PetriRL: An Innovative Framework for JSSP Resolution
Integrating Petri nets and Event-based Reinforcement Learning
- Title(参考訳): PetriRL: イベントベース強化学習とペトリネットの統合によるJSSP解決のための革新的フレームワーク
- Authors: Sofiene Lassoued, Andreas Schwung
- Abstract要約: ジョブショップスケジューリング問題を解決する革新的なフレームワーク(JSSP)について紹介する。
提案手法では,ペトリネットを利用して求人店をモデル化し,説明性の向上だけでなく,生データの直接的取り込みも実現している。
我々のアプローチは、様々なインスタンスサイズをまたいで一般化する堅牢な能力を示すだけでなく、ペトリネットのグラフの性質を活用してジョブ操作を動的に追加する。
- 参考スコア(独自算出の注目度): 4.5778421917309915
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Quality scheduling in industrial job shops is crucial. Although neural
networks excel in solving these problems, their limited explainability hinders
their widespread industrial adoption. In this research, we introduce an
innovative framework for solving job shop scheduling problems (JSSP). Our
methodology leverages Petri nets to model the job shop, not only improving
explainability but also enabling direct incorporation of raw data without the
need to preprocess JSSP instances into disjunctive graphs. The Petri net, with
its controlling capacities, also governs the automated components of the
process, allowing the agent to focus on critical decision-making, particularly
resource allocation. The integration of event-based control and action masking
in our approach yields competitive performance on public test benchmarks.
Comparative analyses across a wide spectrum of optimization solutions,
including heuristics, metaheuristics, and learning-based algorithms, highlight
the competitiveness of our approach in large instances and its superiority over
all competitors in small to medium-sized scenarios. Ultimately, our approach
not only demonstrates a robust ability to generalize across various instance
sizes but also leverages the Petri net's graph nature to dynamically add job
operations during the inference phase without the need for agent retraining,
thereby enhancing flexibility.
- Abstract(参考訳): 産業用ジョブショップにおける品質スケジューリングは不可欠である。
ニューラルネットワークはこれらの問題を解決するのに優れているが、その限定された説明性は、その産業的普及を妨げる。
本研究では,ジョブショップスケジューリング問題(JSSP)を解くための革新的なフレームワークを提案する。
提案手法では,ペトリネットを用いてジョブショップをモデル化し,説明性の向上だけでなく,JSSPインスタンスを解離グラフにプリプロセスすることなく,生データの直接的取り込みを可能にする。
petri netは、その制御能力と共に、プロセスの自動化コンポーネントを制御し、エージェントが重要な意思決定、特にリソース割り当てに集中できるようにします。
当社のアプローチにおけるイベントベースの制御とアクションマスキングの統合は、公開テストベンチマークにおける競合パフォーマンスをもたらす。
ヒューリスティックス、メタヒューリスティックス、学習に基づくアルゴリズムを含む、幅広い最適化ソリューションの比較分析は、大規模インスタンスにおける我々のアプローチの競争力と、中小規模シナリオにおける全ての競合に対する優位性を強調している。
最終的に、我々のアプローチは様々なインスタンスサイズにまたがる堅牢な一般化能力を示すだけでなく、ペトリネットのグラフ特性を活用し、エージェントの再トレーニングを必要とせずに推論フェーズ中に動的にジョブ操作を追加し、柔軟性を向上させる。
関連論文リスト
- Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - 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) - Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。
このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。
本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
論文 参考訳(メタデータ) (2023-02-24T08:41:19Z) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳(メタデータ) (2023-02-02T18:27:20Z) - Mastering the Unsupervised Reinforcement Learning Benchmark from Pixels [112.63440666617494]
強化学習アルゴリズムは成功するが、エージェントと環境の間の大量の相互作用を必要とする。
本稿では,教師なしモデルベースRLを用いてエージェントを事前学習する手法を提案する。
我々はReal-Word RLベンチマークにおいて、適応中の環境摂動に対する抵抗性を示唆し、堅牢な性能を示す。
論文 参考訳(メタデータ) (2022-09-24T14:22:29Z) - Unsupervised Learning for Combinatorial Optimization with Principled
Objective Relaxation [19.582494782591386]
本研究は,最適化(CO)問題に対する教師なし学習フレームワークを提案する。
我々の重要な貢献は、緩和された目的がエントリーワイドな凹凸を満たすならば、低い最適化損失は最終積分解の品質を保証するという観察である。
特に、この観察は、対象が明示的に与えられていないアプリケーションにおいて、事前にモデル化される必要がある場合に、対象モデルの設計を導くことができる。
論文 参考訳(メタデータ) (2022-07-13T06:44:17Z) - A Meta Reinforcement Learning Approach for Predictive Autoscaling in the
Cloud [10.970391043991363]
本稿では,CPU利用の安定レベルを維持するために資源を最適に割り当てることを目的とした,エンドツーエンドのメタモデルに基づくRLアルゴリズムを提案する。
当社のアルゴリズムは,スケーリング戦略の予測可能性と精度を確保するだけでなく,スケーリング決定が変化するワークロードに高いサンプル効率で適応できるようにする。
論文 参考訳(メタデータ) (2022-05-31T13:54:04Z) - Attention-Based Model and Deep Reinforcement Learning for Distribution
of Event Processing Tasks [0.0]
イベント処理は、動的でレスポンシブなモノのインターネット(IoT)の基盤である
本稿では,タスクを公平に分散するためのディープラーニングの利用について検討する。
効率的な負荷分散ソリューションを生成するために,注目に基づくニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2021-12-07T17:16:35Z) - DANCE: DAta-Network Co-optimization for Efficient Segmentation Model
Training and Inference [85.02494022662505]
DANCEは、効率的なセグメンテーションモデルのトレーニングと推論のための自動データネットワーク協調最適化である。
入力イメージを適応的にダウンサンプル/ドロップする自動データスライミングを統合し、画像の空間的複雑さによって導かれるトレーニング損失に対するそれに対応するコントリビューションを制御する。
実験と非難研究により、DANCEは効率的なセグメンテーションに向けて「オールウィン」を達成できることを示した。
論文 参考訳(メタデータ) (2021-07-16T04:58:58Z)
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。