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
- Comprehensive Benchmarking Environment for Worker Flexibility in Flexible Job Shop Scheduling Problems [0.0]
生産スケジューリングにおいて、フレキシブルジョブショップスケジューリング問題(FJSSP)は、一連の操作を最適化し、それぞれの処理時間を異なるマシンに割り当てることを目的としている。
結果として生じる問題はFlexible Job Shop Scheduling Problem with Worker Flexibility (FJSSP-W)と呼ばれる。
本稿では、一般に受け入れられているFJSSPインスタンス402のコレクションを示し、労働者の柔軟性で拡張するアプローチを提案する。
論文 参考訳(メタデータ) (2025-01-27T15:56:12Z) - Random-Key Algorithms for Optimizing Integrated Operating Room Scheduling [0.16385815610837165]
本研究では,RKO(Random-Key)の概念を紹介する。
文献最適化問題には、マルチルームスケジューリング、機器スケジューリング、複雑な可用性制約が組み込まれている。
RKOアプローチは、連続空間の点として解を表し、デコーダとして知られる決定論的関数を介して問題解空間に写像される。
論文 参考訳(メタデータ) (2025-01-17T15:11:30Z) - Dynamic Scheduling Strategies for Resource Optimization in Computing Environments [0.29008108937701327]
本稿では,資源利用,負荷分散,タスク完了効率といった重要な性能指標のバランスをとることを目的とした,多目的最適化に基づくコンテナスケジューリング手法を提案する。
実験の結果, 従来の静的ルールアルゴリズムや効率アルゴリズムと比較して, 資源利用, 負荷分散, バーストタスク完了において, 最適化されたスケジューリング方式が有益であることが示唆された。
論文 参考訳(メタデータ) (2024-12-23T05:43:17Z) - A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳(メタデータ) (2024-12-18T14:11:15Z) - 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) - 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。