論文の概要: Cost Optimization in Production Line Using Genetic Algorithm
- arxiv url: http://arxiv.org/abs/2601.00689v1
- Date: Fri, 02 Jan 2026 13:36:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-05 15:04:33.576992
- Title: Cost Optimization in Production Line Using Genetic Algorithm
- Title（参考訳）: 遺伝的アルゴリズムを用いた生産ラインのコスト最適化
- Authors: Alireza Rezaee,
- Abstract要約: 生産ラインにおけるコスト最適タスクスケジューリングへの遺伝的アルゴリズム(GA)アプローチ
先行構造の3つのクラスに関する実験 - 密結合, 疎結合, 疎結合, 未結合。
- 参考スコア（独自算出の注目度）: 0.5482532589225553
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a genetic algorithm (GA) approach to cost-optimal task scheduling in a production line. The system consists of a set of serial processing tasks, each with a given duration, unit execution cost, and precedence constraints, which must be assigned to an unlimited number of stations subject to a per-station duration bound. The objective is to minimize the total production cost, modeled as a station-wise function of task costs and the duration bound, while strictly satisfying all prerequisite and capacity constraints. Two chromosome encoding strategies are investigated: a station-based representation implemented using the JGAP library with SuperGene validity checks, and a task-based representation in which genes encode station assignments directly. For each encoding, standard GA operators (crossover, mutation, selection, and replacement) are adapted to preserve feasibility and drive the population toward lower-cost schedules. Experimental results on three classes of precedence structures-tightly coupled, loosely coupled, and uncoupled-demonstrate that the task-based encoding yields smoother convergence and more reliable cost minimization than the station-based encoding, particularly when the number of valid schedules is large. The study highlights the advantages of GA over gradient-based and analytical methods for combinatorial scheduling problems, especially in the presence of complex constraints and non-differentiable cost landscapes.
- Abstract（参考訳）: 本稿では,生産ラインにおけるコスト最適タスクスケジューリングに対する遺伝的アルゴリズム(GA)アプローチを提案する。
このシステムは一連のシリアル処理タスクで構成されており、それぞれ所定の期間、単位実行コスト、優先度の制約があり、ステーション当たりの持続時間に制限される無制限のステーションに割り当てられなければならない。
目的は、すべての前提条件とキャパシティの制約を厳格に満たしつつ、タスクコストと持続時間制限のステーションワイズ機能としてモデル化された総生産コストを最小化することである。
2つの染色体エンコーディング戦略について検討した。JGAPライブラリーを用いて実装されたスーパージェネレーションの妥当性チェックと、遺伝子がステーション割り当てを直接エンコードするタスクベース表現である。
各エンコーディングにおいて、標準的なGA演算子(クロスオーバー、突然変異、選択、置換)は、実現可能性を維持し、低コストのスケジュールに向けて人口を駆動するように適合する。
タスクベース符号化が駅ベース符号化よりもスムーズな収束と信頼性の高いコスト最小化をもたらすこと,特に有効なスケジュール数が大きい場合に,先行構造を高度に結合し,疎結合し,疎結合し,結合しない3種類の実験結果を得た。
この研究は、特に複雑な制約と非微分可能なコストランドスケープの存在において、組合せスケジューリング問題に対する勾配法および解析法よりもGAの利点を強調した。
関連論文リスト
- Dependency-Aware Task Offloading in Multi-UAV Assisted Collaborative Mobile Edge Computing [53.88774113545582]
本稿では,新しい無人航空機(UAV)による協調移動エッジコンピューティング(MEC)フレームワークを提案する。
システムコストを最小限に抑え、タスク消費とエネルギー消費のトレードオフを改善することを目的としている。
提案手法はシステムコストを大幅に削減し,タスク消費とエネルギー消費のトレードオフの改善を実現する。
論文 参考訳（メタデータ） (2025-10-23T02:55:40Z) - Controlled Data Rebalancing in Multi-Task Learning for Real-World Image Super-Resolution [51.79973519845773]
実世界の画像超解像(Real-SR)は、低解像度画像の複雑な劣化パターンのために難しい問題である。
本稿では,データヘテロジニアスなマルチタスク学習問題としてReal-SRの枠組みを改良したパラダイムを提案する。
論文 参考訳（メタデータ） (2025-06-05T21:40:21Z) - TRATSS: Transformer-Based Task Scheduling System for Autonomous Vehicles [8.073451025446454]
我々は Transformer-Based Task Scheduling System (TRATSS) というフレームワークを導入する。
TRATSSは、タスク要求とリソースの可用性を動的に適用しながら、最適化されたタスクスケジューリング決定を出力する。
論文 参考訳（メタデータ） (2025-04-07T18:23:13Z) - PlanGEN: A Multi-Agent Framework for Generating Planning and Reasoning Trajectories for Complex Problem Solving [89.60370366013142]
制約,検証,選択という3つの重要な要素を持つモデルに依存しない,スケーラブルなエージェントフレームワークであるPlanGENを提案する。
具体的には、推論時間アルゴリズムの性能を向上させるために、制約誘導反復検証を提案する。
論文 参考訳（メタデータ） (2025-02-22T06:21:56Z) - Autoregressive Policy Optimization for Constrained Allocation Tasks [4.316765170255551]
本稿では,各エンティティのアロケーションを逐次サンプリングする自己回帰プロセスに基づく制約付きアロケーションタスクの新しい手法を提案する。
さらに, 逐次サンプリングによる初期バイアスに対処する新しい脱バイアス機構を提案する。
論文 参考訳（メタデータ） (2024-09-27T13:27:15Z) - Differentiable Combinatorial Scheduling at Scale [18.09256072039255]
本稿では,Gumbel-Softmax微分可能なサンプリング手法を用いて,微分可能なスケジューリングフレームワークを提案する。
スケジューリングタスクの不等式制約をエンコードするために,任意の不等式制約を積極的にエンコードするテキスト制約付きGumbel Trickを導入する。
本手法は, トレーニングデータを必要とせずに, 勾配降下による効率よく, スケーラブルなスケジューリングを容易にする。
論文 参考訳（メタデータ） (2024-06-06T02:09:39Z) - Surrogate-Assisted Genetic Algorithm for Wrapper Feature Selection [4.89253144446913]
複数レベルの近似やサロゲートを利用する新しい多段階特徴選択フレームワークを提案する。
実験の結果, SAGAはラッパーGAの3倍の速度で, ほぼ最適解に到達できることがわかった。
論文 参考訳（メタデータ） (2021-11-17T12:33:18Z) - Evolutionary Optimization of High-Coverage Budgeted Classifiers [1.7767466724342065]
予算付き多機能分類器(MSC)プロセスは、部分的特徴取得および評価ステップのシーケンスを通じて入力される。
本稿では,不確定な予測のための端末拒否オプションを組み込んだ問題固有MSCを提案する。
アルゴリズムの設計は、一意化による集約性能の概念を尊重しながら効率を重視している。
論文 参考訳（メタデータ） (2021-10-25T16:03:07Z) - 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) - Goal Kernel Planning: Linearly-Solvable Non-Markovian Policies for Logical Tasks with Goal-Conditioned Options [54.40780660868349]
我々はLinearly-Solvable Goal Kernel Dynamic Programming (LS-GKDP)と呼ばれる合成フレームワークを導入する。
LS-GKDPは、Linearly-Solvable Markov Decision Process (LMDP)形式とOptions Framework of Reinforcement Learningを組み合わせたものである。
本稿では,目標カーネルを持つLMDPが,タスク接地によって定義された低次元部分空間におけるメタポリティシの効率的な最適化を実現する方法を示す。
論文 参考訳（メタデータ） (2020-07-06T05:13:20Z)
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。