論文の概要: Neural Pathways to Program Success: Hopfield Networks for PERT Analysis

• arxiv url: http://arxiv.org/abs/2505.05047v1
• Date: Thu, 08 May 2025 08:34:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.806345
• Title: Neural Pathways to Program Success: Hopfield Networks for PERT Analysis
• Title（参考訳）: プログラム成功へのニューラルパス: PERT分析のためのホップフィールドネットワーク
• Authors: Azgar Ali Noor Ahamed,
• Abstract要約: 本稿では,ホップフィールドニューラルネットワークアーキテクチャにおけるエネルギー最小化問題として,PERTスケジューリングの新たな定式化を提案する。 最大1000タスクからなる合成プロジェクトネットワーク上の数値シミュレーションは、このアプローチの可能性を実証している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Project and task scheduling under uncertainty remains a fundamental challenge in program and project management, where accurate estimation of task durations and dependencies is critical for delivering complex, multi project systems. The Program Evaluation and Review Technique provides a probabilistic framework to model task variability and critical paths. In this paper, the author presents a novel formulation of PERT scheduling as an energy minimization problem within a Hopfield neural network architecture. By mapping task start times and precedence constraints into a neural computation framework, the networks inherent optimization dynamics is exploited to approximate globally consistent schedules. The author addresses key theoretical issues related to energy function differentiability, constraint encoding, and convergence, and extends the Hopfield model for structured precedence graphs. Numerical simulations on synthetic project networks comprising up to 1000 tasks demonstrate the viability of this approach, achieving near optimal makespans with minimal constraint violations. The findings suggest that neural optimization models offer a promising direction for scalable and adaptive project tasks scheduling under uncertainty in areas such as the agentic AI workflows, microservice based applications that the modern AI systems are being built upon.
• Abstract（参考訳）: 不確実性の下でのプロジェクトとタスクのスケジューリングは、複雑な複数のプロジェクトシステムを提供する上で、タスクの時間と依存関係の正確な見積もりが不可欠である、プログラムとプロジェクト管理において、依然として根本的な課題である。 Program Evaluation and Review Techniqueは、タスクの多様性とクリティカルパスをモデル化するための確率的フレームワークを提供する。 本稿では,ホップフィールドニューラルネットワークアーキテクチャにおけるエネルギー最小化問題として,PERTスケジューリングの新たな定式化を提案する。 タスク開始時間と優先度制約をニューラルネットワークフレームワークにマッピングすることにより、ネットワーク固有の最適化ダイナミクスを利用して、グローバルに一貫したスケジュールを近似する。 著者はエネルギー関数の微分可能性、制約符号化、収束に関する重要な理論的問題に対処し、構造化先行グラフに対するホップフィールドモデルを拡張する。 最大1000のタスクからなる合成プロジェクトネットワーク上の数値シミュレーションは、このアプローチの生存可能性を示し、最小限の制約違反を伴って、ほぼ最適メイスパンを達成する。 この結果は、ニューラルネットワークモデルが、エージェントAIワークフロー、現代のAIシステムが構築されているマイクロサービスベースのアプリケーションなど、不確実性の下でスケーラブルで適応的なプロジェクトタスクスケジューリングのための有望な方向を提供することを示唆している。

関連論文リスト

• Neural ATTF: A Scalable Solution to Lifelong Multi-Agent Path Planning [0.5701273481078372]
  本稿では,優先度誘導タスクマッチング(PGTM)モジュールとデータ駆動経路計画法であるNeural STA*(Space-Time A*)を組み合わせた新しいアルゴリズムを提案する。 TPTS, CENTRAL, RMCA, LNS-PBS, LNS-wPBS などの最先端の MAPD アルゴリズムに対するテストは, Neural ATTF の優れたスケーラビリティ, ソリューション品質, 計算効率を示す。
  論文  参考訳（メタデータ） (2025-04-21T14:25:32Z)
• An Expectation-Maximization Algorithm-based Autoregressive Model for the Fuzzy Job Shop Scheduling Problem [12.862865254507177]
  ファジィジョブショップスケジューリング問題(FJSSP)は、ジョブショップスケジューリング問題(JSSP)の革新的な拡張として現れる。 本稿では,FJSSPの分解能に対してファジィ情報を同化処理するニューラルネットワークの実現可能性について検討する。
  論文  参考訳（メタデータ） (2025-01-11T10:20:16Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Optimization Proxies using Limited Labeled Data and Training Time -- A Semi-Supervised Bayesian Neural Network Approach [3.26805553822503]
  制約のある最適化問題は、在庫や電力網などの様々な工学システムで発生する。 標準ディープニューラルネットワーク(DNN)ベースの機械学習プロキシは、ラベル付きデータが不足し、トレーニング時間が制限された実用的な環境では有効ではない。
  論文  参考訳（メタデータ） (2024-10-04T02:10:20Z)
• A Distance Similarity-based Genetic Optimization Algorithm for Satellite Ground Network Planning Considering Feeding Mode [53.71516191515285]
  衛星データ中継ミッションの送信効率の低さは、現在システムの構築を制約している問題となっている。 本研究では,タスク間の状態特性を考慮した距離類似性に基づく遺伝的最適化アルゴリズム(DSGA)を提案し,タスク間の類似性を決定するための重み付きユークリッド距離法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T06:57:45Z)
• Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach [57.788675205519986]
  我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。 我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。 ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
  論文  参考訳（メタデータ） (2024-02-29T15:36:01Z)
• Graph Neural Networks for the Offline Nanosatellite Task Scheduling Problem [6.864319769054665]
  本研究では,グラフニューラルネットワーク(GNN)を用いて,ナノサテライトタスクをより効率的にスケジュールする方法を検討する。 目標は、QoS(Quality-of-Service)を考慮して、軌道上で実行するタスクの最適なスケジュールを見つけることである。
  論文  参考訳（メタデータ） (2023-03-24T03:17:28Z)
• Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion Planning [36.300564378022315]
  本稿では,移動環境における移動操作問題を解決するための学習可能なタスク・アンド・モーション・プランニング(TAMP)アルゴリズムを提案する。 本アルゴリズムのコアは,タスク計画,目標,初期状態を考慮したトランスフォーマーに基づく新しい学習手法であるPIGINetであり,タスク計画に関連する運動軌跡の発見確率を予測する。
  論文  参考訳（メタデータ） (2022-11-03T04:12:04Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)

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。