論文の概要: Energy-Efficient Scheduling with Predictions
- arxiv url: http://arxiv.org/abs/2402.17143v1
- Date: Tue, 27 Feb 2024 02:13:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 18:00:41.074211
- Title: Energy-Efficient Scheduling with Predictions
- Title(参考訳): 予測を伴うエネルギー効率スケジューリング
- Authors: Eric Balkanski and Noemie Perivier and Clifford Stein and Hao-Ting Wei
- Abstract要約: エネルギー効率のスケジューリングにおいて、オペレーティングシステムは、マシンがジョブを処理する速度を制御する。
学習強化アルゴリズムの最近の研究は、予測を利用して性能保証を改善することを目的としている。
所望のエネルギー効率スケジューリング問題に対して、オフラインとオンラインのアルゴリズムを入力として、フレキシブルな学習強化アルゴリズムフレームワークを提供する。
- 参考スコア(独自算出の注目度): 4.662349748983561
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An important goal of modern scheduling systems is to efficiently manage power
usage. In energy-efficient scheduling, the operating system controls the speed
at which a machine is processing jobs with the dual objective of minimizing
energy consumption and optimizing the quality of service cost of the resulting
schedule. Since machine-learned predictions about future requests can often be
learned from historical data, a recent line of work on learning-augmented
algorithms aims to achieve improved performance guarantees by leveraging
predictions. In particular, for energy-efficient scheduling, Bamas et. al.
[BamasMRS20] and Antoniadis et. al. [antoniadis2021novel] designed algorithms
with predictions for the energy minimization with deadlines problem and
achieved an improved competitive ratio when the prediction error is small while
also maintaining worst-case bounds even when the prediction error is
arbitrarily large.
In this paper, we consider a general setting for energy-efficient scheduling
and provide a flexible learning-augmented algorithmic framework that takes as
input an offline and an online algorithm for the desired energy-efficient
scheduling problem. We show that, when the prediction error is small, this
framework gives improved competitive ratios for many different energy-efficient
scheduling problems, including energy minimization with deadlines, while also
maintaining a bounded competitive ratio regardless of the prediction error.
Finally, we empirically demonstrate that this framework achieves an improved
performance on real and synthetic datasets.
- Abstract(参考訳): 現代のスケジューリングシステムの重要な目標は、電力使用量を効率的に管理することである。
エネルギー効率の高いスケジューリングでは、機械がジョブを処理する速度を、エネルギー消費を最小化し、結果として生じるスケジュールのサービスコストの品質を最適化する2つの目的で制御する。
将来の要求に関する機械学習による予測は、過去のデータから学べることが多いため、近年の学習強化アルゴリズムの研究は、予測を利用して性能保証の改善を目指している。
特にエネルギー効率のよいスケジューリングでは、Bamas et。
アル
[BamasMRS20]とAntoniadisら。
アル
[antoniadis2021novel] は期限問題によるエネルギー最小化の予測アルゴリズムを設計し, 予測誤差が小さい場合や, 予測誤差が任意に大きい場合でも最悪のケース境界を維持しながら, 競争率の向上を実現した。
本稿では,エネルギー効率スケジューリングの一般的な設定を考察し,エネルギー効率スケジューリング問題に対するオフラインおよびオンラインアルゴリズムの入力として活用する,フレキシブルな学習型アルゴリズムフレームワークを提案する。
予測誤差が小さい場合、この枠組みは、予測誤差にかかわらず、有界競争比を維持しつつ、期限付きエネルギーの最小化を含む、多くの異なるエネルギー効率のスケジューリング問題に対する競争率を改善する。
最後に,本フレームワークが実データおよび合成データセットの性能を向上させることを実証的に示す。
関連論文リスト
- Short-Term Load Forecasting Using A Particle-Swarm Optimized Multi-Head
Attention-Augmented CNN-LSTM Network [0.0]
電力系統の効率的な運用と計画において、短期負荷予測が最重要となる。
ディープラーニングの最近の進歩は、この問題に対処する上で有望であることを示している。
これらの障害を克服する新しいソリューションを提案します。
論文 参考訳(メタデータ) (2023-09-07T13:06:52Z) - Renewable energy management in smart home environment via forecast
embedded scheduling based on Recurrent Trend Predictive Neural Network [0.0]
本稿では,Recurrent Trends Predictive Neural Network based Forecast Embedded Scheduling (rTPNN-FES)と呼ばれるMLアルゴリズムを提案する。
rTPNN-FESは、再生可能エネルギーの発生と家電のスケジュールを同時に予測する新しいニューラルネットワークアーキテクチャである。
組込み構造により、rTPNN-FESは予測とスケジューリングのための別々のアルゴリズムの使用を排除し、予測エラーに対して堅牢なスケジュールを生成する。
論文 参考訳(メタデータ) (2023-07-04T10:18:16Z) - A Unifying Framework of Attention-based Neural Load Forecasting [6.470432799969585]
負荷予測のための統合型ディープラーニングフレームワークを提案する。
これには、時間的な特徴重み付け、階層的時間的注意、特徴強化エラー修正が含まれる。
我々のフレームワークは、電力負荷予測問題に対する効果的な解決策を提供する。
論文 参考訳(メタデータ) (2023-05-08T22:46:54Z) - Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。
限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
論文 参考訳(メタデータ) (2023-05-02T07:41:16Z) - Movement Penalized Bayesian Optimization with Application to Wind Energy
Systems [84.7485307269572]
文脈ベイズ最適化(CBO)は、与えられた側情報を逐次決定する強力なフレームワークである。
この設定では、学習者は各ラウンドでコンテキスト(天気条件など)を受け取り、アクション(タービンパラメータなど)を選択する必要がある。
標準的なアルゴリズムは、すべてのラウンドで意思決定を切り替えるコストを前提としませんが、多くの実用的なアプリケーションでは、このような変更に関連するコストが最小化されるべきです。
論文 参考訳(メタデータ) (2022-10-14T20:19:32Z) - AI-based Optimal scheduling of Renewable AC Microgrids with
bidirectional LSTM-Based Wind Power Forecasting [5.039813366558306]
本稿では, エネルギー貯蔵装置, 風力タービン, マイクロタービンを考慮したマイクログリッドの最適スケジューリング手法を提案する。
短期風力予測問題に対処するために,双方向長期記憶に基づくディープラーニングモデルを提案する。
その結果,マイクログリッドの最適スケジューリングにおいて,提案手法の有効性と効率性を示した。
論文 参考訳(メタデータ) (2022-07-08T14:40:31Z) - Approaching sales forecasting using recurrent neural networks and
transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。
実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。
提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文 参考訳(メタデータ) (2022-04-16T12:03:52Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳(メタデータ) (2022-02-21T13:18:11Z) - Learning Predictions for Algorithms with Predictions [49.341241064279714]
予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。
オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。
両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2022-02-18T17:25:43Z) - A Novel Prediction Setup for Online Speed-Scaling [3.3440413258080577]
アルゴリズムを設計(スケジュール)する際にエネルギー的考慮を組み込むのが基本である。
本稿では,古典的,期限ベース,オンラインの高速スケーリング問題に対して,両世界の長所を把握しようと試みる。
論文 参考訳(メタデータ) (2021-12-06T14:46:20Z) - 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。