論文の概要: Dataless Neural Networks for Resource-Constrained Project Scheduling

• arxiv url: http://arxiv.org/abs/2507.05322v1
• Date: Mon, 07 Jul 2025 15:59:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.271035
• Title: Dataless Neural Networks for Resource-Constrained Project Scheduling
• Title（参考訳）: 資源制約型プロジェクトスケジューリングのためのデータレスニューラルネットワーク
• Authors: Marc Bara,
• Abstract要約: 本稿では,資源制約型プロジェクトスケジューリング問題(RCPSP)に対する最初のデータレスニューラルネットワーク手法を提案する。 我々は、離散的なスケジューリング制約を勾配に基づく最適化に適した微分可能な目的に変換する完全な数学的枠組みを提供する。 本稿では,メモリ効率の高い高密度時間グリッド表現を含む,資源制約および資源制約の数学的定式化について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dataless neural networks represent a paradigm shift in applying neural architectures to combinatorial optimization problems, eliminating the need for training datasets by encoding problem instances directly into network parameters. Despite the pioneering work of Alkhouri et al. (2022) demonstrating the viability of dataless approaches for the Maximum Independent Set problem, our comprehensive literature review reveals that no published work has extended these methods to the Resource-Constrained Project Scheduling Problem (RCPSP). This paper addresses this gap by presenting the first dataless neural network approach for RCPSP, providing a complete mathematical framework that transforms discrete scheduling constraints into differentiable objectives suitable for gradient-based optimization. Our approach leverages smooth relaxations and automatic differentiation to unlock GPU parallelization for project scheduling, traditionally a domain of sequential algorithms. We detail the mathematical formulation for both precedence and renewable resource constraints, including a memory-efficient dense time-grid representation. Implementation and comprehensive experiments on PSPLIB benchmark instances (J30, J60, and J120) are currently underway, with empirical results to be reported in an updated version of this paper.
• Abstract（参考訳）: データレスニューラルネットワークは、ニューラルネットワークを組合せ最適化問題に適用するパラダイムシフトであり、問題インスタンスを直接ネットワークパラメータにエンコードすることでデータセットをトレーニングする必要がなくなる。 Alkhouri et al (2022) の先駆的な業績は、最大独立セット問題に対するデータレスアプローチの可能性を実証したものの、包括的な文献レビューでは、これらの手法をリソース制約計画問題 (RCPSP) にまで拡張していないことが判明した。 本稿では、離散スケジューリング制約を勾配に基づく最適化に適した微分可能な対象に変換するための完全な数学的枠組みを提供する、RCPSPのための最初のデータレスニューラルネットワークアプローチを提案することで、このギャップに対処する。 我々のアプローチは、スムーズな緩和と自動微分を利用して、伝統的にシーケンシャルアルゴリズムの領域であるプロジェクトスケジューリングのためのGPU並列化をアンロックする。 本稿では,メモリ効率の高い高密度時間グリッド表現を含む,資源制約および資源制約の数学的定式化について述べる。 現在,PSPLIBベンチマークインスタンス(J30,J60,J120)の実装および総合実験が進行中である。

関連論文リスト

• Neural Pathways to Program Success: Hopfield Networks for PERT Analysis [0.0]
  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。
  論文  参考訳（メタデータ） (2025-05-08T08:34:16Z)
• 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)
• Differentiable Quadratic Optimization For The Maximum Independent Set Problem [23.643727259409744]
  pCQO-MISはグラフ内の数ノードでのみスケールし、数値エッジではないことを示す。 実験により,提案手法の有効性を,精度,サンプリング,データ中心アプローチと比較した。
  論文  参考訳（メタデータ） (2024-06-27T21:12:48Z)
• Implicit Generative Prior for Bayesian Neural Networks [8.013264410621357]
  複雑なデータ構造のための新しいニューラルネットワーク型経験ベイズ(NA-EB)フレームワークを提案する。 NA-EBフレームワークは変分推論と勾配上昇アルゴリズムを組み合わせたものである。 各種タスクの広範囲な評価を通じて,本フレームワークの実践的応用を実証する。
  論文  参考訳（メタデータ） (2024-04-27T21:00:38Z)
• Stochastic Unrolled Federated Learning [85.6993263983062]
  本稿では,UnRolled Federated Learning (SURF)を導入する。 提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
  論文  参考訳（メタデータ） (2023-05-24T17:26:22Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Learning from Images: Proactive Caching with Parallel Convolutional Neural Networks [94.85780721466816]
  本稿では,プロアクティブキャッシングのための新しいフレームワークを提案する。 モデルベースの最適化とデータ駆動技術を組み合わせて、最適化問題をグレースケールのイメージに変換する。 数値計算の結果,提案手法は71.6%の計算時間を0.8%のコストで削減できることがわかった。
  論文  参考訳（メタデータ） (2021-08-15T21:32:47Z)
• 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)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)

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。