論文の概要: Deep Learning for Unrelated-Machines Scheduling: Handling Variable Dimensions
- arxiv url: http://arxiv.org/abs/2512.19527v1
- Date: Mon, 22 Dec 2025 16:18:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 18:54:32.827387
- Title: Deep Learning for Unrelated-Machines Scheduling: Handling Variable Dimensions
- Title（参考訳）: 非関係機械スケジューリングのための深層学習:可変次元の扱い
- Authors: Diego Hitzges, Guillaume Sagnol,
- Abstract要約: 非関係マシン上での任意のサイズのオフライン決定論的スケジューリングに適したニューラルネットワークを用いた新しい手法を提案する。
目標は、ジョブやマシンのマシパンと重み付けされたタドネスを含む、複雑な客観的関数を最小限にすることである。
NLPにインスパイアされた様々なアーキテクチャを活用することで、無関係な処理時間によって課される様々な特徴次元のジョブやマシンを効果的に処理する。
- 参考スコア（独自算出の注目度）: 1.2676356746752895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has been effectively applied to many discrete optimization problems. However, learning-based scheduling on unrelated parallel machines remains particularly difficult to design. Not only do the numbers of jobs and machines vary, but each job-machine pair has a unique processing time, dynamically altering feature dimensions. We propose a novel approach with a neural network tailored for offline deterministic scheduling of arbitrary sizes on unrelated machines. The goal is to minimize a complex objective function that includes the makespan and the weighted tardiness of jobs and machines. Unlike existing online approaches, which process jobs sequentially, our method generates a complete schedule considering the entire input at once. The key contribution of this work lies in the sophisticated architecture of our model. By leveraging various NLP-inspired architectures, it effectively processes any number of jobs and machines with varying feature dimensions imposed by unrelated processing times. Our approach enables supervised training on small problem instances while demonstrating strong generalization to much larger scheduling environments. Trained and tested on instances with 8 jobs and 4 machines, costs were only 2.51% above optimal. Across all tested configurations of up to 100 jobs and 10 machines, our network consistently outperformed an advanced dispatching rule, which incurred 22.22% higher costs on average. As our method allows fast retraining with simulated data and adaptation to various scheduling conditions, we believe it has the potential to become a standard approach for learning-based scheduling on unrelated machines and similar problem environments.
- Abstract（参考訳）: ディープラーニングは多くの離散最適化問題に効果的に適用されている。
しかし、非関連並列マシンでの学習ベースのスケジューリングは、設計が特に困難である。
ジョブとマシンの数が異なるだけでなく、各ジョブとマシンのペアは独自の処理時間を持ち、特徴次元を動的に変化させる。
非関係マシン上での任意のサイズのオフライン決定論的スケジューリングに適したニューラルネットワークを用いた新しい手法を提案する。
目標は、ジョブやマシンのマシパンと重み付けされたタドネスを含む、複雑な客観的関数を最小限にすることである。
ジョブを逐次処理する既存のオンラインアプローチとは異なり、本手法は入力全体を一度に考慮して完全なスケジュールを生成する。
この研究の重要な貢献は、私たちのモデルの洗練されたアーキテクチャにある。
NLPにインスパイアされた様々なアーキテクチャを活用することで、無関係な処理時間によって課される様々な特徴次元のジョブやマシンを効果的に処理する。
提案手法は,より大規模なスケジューリング環境への強力な一般化を実証しながら,小さな問題事例に対する教師あり学習を可能にする。
8ジョブと4マシンのインスタンスでトレーニングとテストを行い、コストは2.51%しか最適ではなかった。
最大100のジョブと10台のマシンでテストされたすべての構成の中で、当社のネットワークは、平均22.22%のコストを発生させる先進的なディスパッチルールを一貫して上回りました。
本手法は,シミュレーションデータによる高速な再学習と各種スケジューリング条件への適応を可能にするため,非関係マシンや類似問題環境における学習ベーススケジューリングの標準的アプローチとなる可能性が考えられている。
関連論文リスト
- Minimizing the Weighted Number of Tardy Jobs: Data-Driven Heuristic for Single-Machine Scheduling [0.0]
我々は、各ジョブの重み、期間、予定日、期限によって定義されるシングルマシンスケジューリング問題に焦点を当てる。
本稿では,機械学習と問題固有の特徴を組み合わせた新しいデータ駆動スケジューリングを提案する。
実験結果から,本手法は最適解数,最適解数,適応性の観点から,最先端技術よりも優れていた。
論文 参考訳（メタデータ） (2025-08-19T10:09:02Z) - NNTile: a machine learning framework capable of training extremely large GPT language models on a single node [83.9328245724548]
NNTileはタスクベースの並列処理を実装したStarPUライブラリをベースとしている。
これは、大きなニューラルネットワークをトレーニングするために必要な特定の操作が、CPUコアまたはGPUデバイスのいずれかで実行されることを意味する。
論文 参考訳（メタデータ） (2025-04-17T16:22:32Z) - A mathematical model for simultaneous personnel shift planning and
unrelated parallel machine scheduling [3.0477617036157136]
本稿では,産業利用事例から得られた生産スケジューリング問題に対処する。
人件費制約を伴う非関連並列マシンスケジューリングに焦点を当てている。
機械間での人員共有を前提としており、作業処理中に機械の設置と監督に1人の人員を要している。
論文 参考訳（メタデータ） (2024-02-24T01:04:04Z) - Partitioning Distributed Compute Jobs with Reinforcement Learning and
Graph Neural Networks [58.720142291102135]
大規模な機械学習モデルは、幅広い分野に進歩をもたらしている。
これらのモデルの多くは、単一のマシンでトレーニングするには大きすぎるため、複数のデバイスに分散する必要がある。
スループットやブロッキングレートといったユーザクリティカルな指標に対して,並列化の最大化が準最適であることを示す。
論文 参考訳（メタデータ） (2023-01-31T17:41:07Z) - A Memetic Algorithm with Reinforcement Learning for Sociotechnical
Production Scheduling [0.0]
本稿では、フレキシブルジョブショップスケジューリング問題(DRC-FJSSP)に深層強化学習(DRL)を適用したメメティックアルゴリズムを提案する。
産業における研究プロジェクトから、フレキシブルマシン、フレキシブルなヒューマンワーカー、作業能力、セットアップと処理操作、材料到着時間、材料製造の請求書の並列タスク、シーケンス依存のセットアップ時間、人間と機械のコラボレーションにおける(一部)自動化タスクを検討する必要性を認識します。
論文 参考訳（メタデータ） (2022-12-21T11:24:32Z) - Answer-Set Programming for Lexicographical Makespan Optimisation in
Parallel Machine Scheduling [18.286430978487388]
我々は、シーケンス依存のセットアップ時間とリリース日を持つ並列マシン上で、困難なスケジューリング問題に対処する。
個々のマシンを非到達順に配置し、結果として生じるロバスト性を語彙的に最小化する。
実験の結果,ASPは実際にこの問題に対して有望なKRRパラダイムであり,最先端のCPおよびMIPソルバと競合していることがわかった。
論文 参考訳（メタデータ） (2022-12-18T12:43:24Z) - Multi-Job Intelligent Scheduling with Cross-Device Federated Learning [65.69079337653994]
フェデレートラーニング(FL)は、センシティブな生データを共有せずに、協調的なグローバル機械学習モデルのトレーニングを可能にする。
本稿では,複数のジョブを並列にトレーニングできる新しいマルチジョブFLフレームワークを提案する。
本稿では,元来の強化学習に基づくスケジューリング手法と元来のベイズ最適化に基づくスケジューリング手法を含む,複数のスケジューリング手法に基づく新しいインテリジェントスケジューリング手法を提案する。
論文 参考訳（メタデータ） (2022-11-24T06:17:40Z) - Controllable Dynamic Multi-Task Architectures [92.74372912009127]
本稿では,そのアーキテクチャと重みを動的に調整し,所望のタスク選択とリソース制約に適合させる制御可能なマルチタスクネットワークを提案する。
本稿では,タスク親和性と分岐正規化損失を利用した2つのハイパーネットの非交互トレーニングを提案し,入力の嗜好を取り入れ,適応重み付き木構造モデルを予測する。
論文 参考訳（メタデータ） (2022-03-28T17:56:40Z) - Efficient Device Scheduling with Multi-Job Federated Learning [64.21733164243781]
本稿では,複数のジョブの並列学習プロセスを実現するための,新しいマルチジョブフェデレーション学習フレームワークを提案する。
コストを最小化しつつ、複数のジョブに対してデバイスをスケジュールする強化学習法とベイズ最適化法を提案する。
提案手法は,トレーニング時間(最大8.67倍高速)と精度(最大44.6%高)において,ベースラインアプローチよりも有意に優れていた。
論文 参考訳（メタデータ） (2021-12-11T08:05:11Z)
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。