論文の概要: Developing an Algorithm Selector for Green Configuration in Scheduling Problems

• arxiv url: http://arxiv.org/abs/2409.08641v1
• Date: Fri, 13 Sep 2024 08:58:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-16 17:18:35.826501
• Title: Developing an Algorithm Selector for Green Configuration in Scheduling Problems
• Title（参考訳）: スケジューリング問題におけるグリーンコンフィグレーションのためのアルゴリズムセレクタの開発
• Authors: Carlos March, Christian Perez, Miguel A. Salido,
• Abstract要約: ジョブショップスケジューリング問題(JSP)は、業務研究の中心である。 ジョブショップスケジューリング問題(JSP)は、業務研究の中心である。
• 参考スコア（独自算出の注目度）: 0.8151943266391491
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Job Shop Scheduling Problem (JSP) is central to operations research, primarily optimizing energy efficiency due to its profound environmental and economic implications. Efficient scheduling enhances production metrics and mitigates energy consumption, thus effectively balancing productivity and sustainability objectives. Given the intricate and diverse nature of JSP instances, along with the array of algorithms developed to tackle these challenges, an intelligent algorithm selection tool becomes paramount. This paper introduces a framework designed to identify key problem features that characterize its complexity and guide the selection of suitable algorithms. Leveraging machine learning techniques, particularly XGBoost, the framework recommends optimal solvers such as GUROBI, CPLEX, and GECODE for efficient JSP scheduling. GUROBI excels with smaller instances, while GECODE demonstrates robust scalability for complex scenarios. The proposed algorithm selector achieves an accuracy of 84.51\% in recommending the best algorithm for solving new JSP instances, highlighting its efficacy in algorithm selection. By refining feature extraction methodologies, the framework aims to broaden its applicability across diverse JSP scenarios, thereby advancing efficiency and sustainability in manufacturing logistics.
• Abstract（参考訳）: ジョブショップスケジューリング問題(JSP:Job Shop Scheduling Problem)は、主に環境と経済の深い影響によりエネルギー効率を最適化するオペレーション研究の中心である。 効率的なスケジューリングは生産指標を強化し、エネルギー消費を軽減し、生産性と持続可能性の目標を効果的にバランスさせる。 これらの課題に対処するために開発されたアルゴリズムの配列とともに、JSPインスタンスの複雑で多様な性質を考えると、インテリジェントなアルゴリズム選択ツールが最重要である。 本稿では,その複雑性を特徴付ける重要な問題の特徴を識別し,適切なアルゴリズムの選択を導くフレームワークを提案する。 機械学習技術、特にXGBoostを利用するこのフレームワークは、効率的なJSPスケジューリングのために、GUROBI、CPLEX、GECODEなどの最適解法を推奨している。 GUROBIは小さなインスタンスに優れており、GECODEは複雑なシナリオに対して堅牢なスケーラビリティを示している。 提案アルゴリズムセレクタは,新しいJSPインスタンスを解くための最適なアルゴリズムを推奨し,アルゴリズム選択の有効性を強調した84.51\%の精度を実現する。 本フレームワークは, 特徴抽出手法を改良することにより, 多様なJSPシナリオに適用可能性を広げ, 製造物流の効率化と持続可能性を高めることを目的としている。

関連論文リスト

• Research on reinforcement learning based warehouse robot navigation algorithm in complex warehouse layout [13.945240113332352]
  本稿では, PPO と Dijkstra のアルゴリズム, Proximal Policy-Dijkstra (PP-D) の新たな手法を提案する。 PP-D法はPPOによる効率的な戦略学習とリアルタイム意思決定を実現し,Dijkstraアルゴリズムを用いてグローバル最適経路を計画する。
  論文  参考訳（メタデータ） (2024-11-09T09:44:03Z)
• What is Metaheuristics? A Primer for the Epidemiologists [1.2783241540121182]
  本稿では,様々な分野の応用を含む基本的BATアルゴリズムとその変種について概説する。 特定の応用として、BATアルゴリズムを生体統計学的推定問題に適用し、既存のアルゴリズムに対して明らかな優位性を示す。
  論文  参考訳（メタデータ） (2024-10-26T02:13:00Z)
• Deep Reinforcement Learning for Online Optimal Execution Strategies [49.1574468325115]
  本稿では,動的な金融市場における非マルコフ的最適実行戦略の学習に挑戦する。 我々は,Deep Deterministic Policy Gradient(DDPG)に基づく新しいアクター批判アルゴリズムを提案する。 提案アルゴリズムは最適実行戦略の近似に成功していることを示す。
  論文  参考訳（メタデータ） (2024-10-17T12:38:08Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• A Reinforcement Learning Approach for Scheduling Problems With Improved Generalization Through Order Swapping [0.0]
  JSSP は NP-hard COP のカテゴリに分類される。 近年,COPの解法にDRLを用いる研究が注目され,解の質や計算効率の面で有望な結果が示されている。 特に、制約されたジョブのディスパッチにおいてよく機能すると考えられるポリシ・グラディエントパラダイムを採用するPPOアルゴリズムを採用する。
  論文  参考訳（メタデータ） (2023-02-27T16:45:04Z)
• 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)
• A global-local neighborhood search algorithm and tabu search for flexible job shop scheduling problem [3.946442574906068]
  この研究はGLNSA(Global-local neighborhood search algorithm)と呼ばれる新しいメタヒューリスティックアルゴリズムを提案する。 提案アルゴリズムは,Nopt1地区の簡易版を実装したタブ検索と補完する。 実験の結果,提案アルゴリズムの性能は,最近発表された他のアルゴリズムと比較すると良好であった。
  論文  参考訳（メタデータ） (2020-10-23T23:08:51Z)
• 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)
• Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
  適応性は現代最適化理論において重要であるが、研究されていない性質である。 提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
  論文  参考訳（メタデータ） (2020-02-13T05:42:27Z)

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。