論文の概要: Learning to Solve Resource-Constrained Project Scheduling Problems with Duration Uncertainty using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2511.13214v1
• Date: Mon, 17 Nov 2025 10:27:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.126791
• Title: Learning to Solve Resource-Constrained Project Scheduling Problems with Duration Uncertainty using Graph Neural Networks
• Title（参考訳）: ニューラルネットワークを用いた時間不確実性を考慮した資源制約型プロジェクトスケジューリング問題の解法
• Authors: Guillaume Infantes, Stéphanie Roussel, Antoine Jacquet, Emmanuel Benazera,
• Abstract要約: 資源制約計画計画問題(Resource-Constrained Project Scheduling Problem, RCPSP)は古典的なスケジューリング問題である。 本稿では, RCPSP 変種を不確実なタスク持続時間(既知の確率を用いてモデル化)で解決し, プロジェクト全体の持続時間を最小化することを目的とする。 我々は,グラフニューラルネットワークと深層強化学習(DRL)を併用して,タスクスケジューリングのための効果的なポリシを開発する。
• 参考スコア（独自算出の注目度）: 0.15749416770494704
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The Resource-Constrained Project Scheduling Problem (RCPSP) is a classical scheduling problem that has received significant attention due to of its numerous applications in industry. However, in practice, task durations are subject to uncertainty that must be considered in order to propose resilient scheduling. In this paper, we address the RCPSP variant with uncertain tasks duration (modeled using known probabilities) and aim to minimize the overall expected project duration. Our objective is to produce a baseline schedule that can be reused multiple times in an industrial setting regardless of the actual duration scenario. We leverage Graph Neural Networks in conjunction with Deep Reinforcement Learning (DRL) to develop an effective policy for task scheduling. This policy operates similarly to a priority dispatch rule and is paired with a Serial Schedule Generation Scheme to produce a schedule. Our empirical evaluation on standard benchmarks demonstrates the approach's superiority in terms of performance and its ability to generalize. The developed framework, Wheatley, is made publicly available online to facilitate further research and reproducibility.
• Abstract（参考訳）: 資源制約計画計画問題(Resource-Constrained Project Scheduling Problem, RCPSP)は古典的なスケジューリング問題である。 しかし、実際には、レジリエントなスケジューリングを提案するために考慮しなければならない不確実性に直面している。 本稿では, RCPSP 変種を不確実なタスク持続時間(既知の確率を用いてモデル化)で解決し, プロジェクト全体の持続時間を最小化することを目的とする。 本研究の目的は, 実時間シナリオによらず, 産業環境で複数回再利用可能な基準スケジュールを作成することである。 我々は,グラフニューラルネットワークと深層強化学習(DRL)を併用して,タスクスケジューリングのための効果的なポリシを開発する。 このポリシーはプライオリティディスパッチルールと同様に動作し、スケジュールを生成するためにシリアルスケジュール生成スキームと組み合わせられる。 標準ベンチマークに対する実証的な評価は、性能の面でのアプローチの優位性と、その一般化能力を示すものである。 開発フレームワークであるWheatleyは、さらなる研究と再現性を促進するために、オンラインで公開されている。

関連論文リスト

• Semantic Scheduling for LLM Inference [48.19648297172146]
  大規模言語モデル(LLM)からの要求のスケジューリングにおける意味的スケジューリングの概念を導入する。 LLMベースのプロンプトスケジューリングにおいて、全体の待ち時間を最小化するために、最適な時間複雑性を持つ新しいスケジューリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-13T20:15:58Z)
• Causally Aligned Curriculum Learning [69.11672390876763]
  本稿では、因果レンズによるカリキュラムRLの問題について検討する。 因果的に整合したソースタスクを特徴付ける十分なグラフィカルな条件を導出する。 因果整合型カリキュラムを生成するための効率的なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-03-21T02:20:38Z)
• Haste Makes Waste: Evaluating Planning Abilities of LLMs for Efficient and Feasible Multitasking with Time Constraints Between Actions [56.88110850242265]
  本稿では,現実の調理シナリオに基づいた新しいベンチマークフレームワークRecipe2Planを紹介する。 従来のベンチマークとは異なり、Recipe2Planは並列タスク実行による調理時間を最適化するためにエージェントに挑戦する。
  論文  参考訳（メタデータ） (2025-03-04T03:27:02Z)
• Proactive and Reactive Constraint Programming for Stochastic Project Scheduling with Maximal Time-Lags [3.723602673856398]
  本研究では,最大時間ラグ(SRCPSP/max)を用いた資源制約型プロジェクトスケジューリング問題のスケジューリング戦略について検討する。 制約プログラミング(CP)とテンポラルネットワークの最近の進歩は、様々なプロアクティブかつリアクティブなスケジューリング手法の利点と欠点を評価することへの関心を再燃させた。
  論文  参考訳（メタデータ） (2024-09-13T15:01:25Z)
• The Road Less Scheduled [45.01813613035411]
  最適化停止ステップTの仕様を必要としない既存の学習率スケジュールは、Tに依存する学習率スケジュールにより大幅に改善される。 本稿では,スケジュールを全面的に活用することで,この停止時間を回避するアプローチを提案する。 我々のスケジュール自由アプローチは運動量を持つ標準スケジュールに余分なハイパーパラメータを導入しない。
  論文  参考訳（メタデータ） (2024-05-24T16:20:46Z)
• 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)
• Generating Dispatching Rules for the Interrupting Swap-Allowed Blocking Job Shop Problem Using Graph Neural Network and Reinforcement Learning [21.021840570685264]
  割り込みスワップ可能なブロッキングジョブショップ問題(ISBJSSP)は、多くの製造計画やロジスティクスアプリケーションを現実的にモデル化することができる。 連続的な削除や加算を受けるノードとエッジを特徴とする動的解離グラフの定式化を導入する。 ISBJSSP設定の割り込み、スワップ、ブロッキングをシミュレートするシミュレータが開発された。
  論文  参考訳（メタデータ） (2023-02-05T23:35:21Z)
• Better than the Best: Gradient-based Improper Reinforcement Learning for Network Scheduling [60.48359567964899]
  パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。 我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
  論文  参考訳（メタデータ） (2021-05-01T10:18:34Z)

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。