論文の概要: Scalable Knee-Point Guided Activity Group Selection in Multi-Tree Genetic Programming for Dynamic Multi-Mode Project Scheduling

• arxiv url: http://arxiv.org/abs/2601.14485v1
• Date: Tue, 20 Jan 2026 21:13:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.155076
• Title: Scalable Knee-Point Guided Activity Group Selection in Multi-Tree Genetic Programming for Dynamic Multi-Mode Project Scheduling
• Title（参考訳）: 動的マルチモードプロジェクトスケジューリングのための多段階遺伝的プログラミングにおけるスケーラブルニーポイント誘導型アクティビティグループの選択
• Authors: Yuan Tian, Yi Mei, Mengjie Zhang,
• Abstract要約: 我々は,活動の有望なサブセットを特定するために,膝点に基づく選択機構を導入する。 両タイプのルールを同時に進化させるマルチツリーGPフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 6.835074198877901
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dynamic multi-mode resource-constrained project scheduling problem is a challenging scheduling problem that requires making decisions on both the execution order of activities and their corresponding execution modes. Genetic programming has been widely applied as a hyper-heuristic to evolve priority rules that guide the selection of activity-mode pairs from the current eligible set. Recently, an activity group selection strategy has been proposed to select a subset of activities rather than a single activity at each decision point, allowing for more effective scheduling by considering the interdependence between activities. Although effective in small-scale instances, this strategy suffers from scalability issues when applied to larger problems. In this work, we enhance the scalability of the group selection strategy by introducing a knee-point-based selection mechanism to identify a promising subset of activities before evaluating their combinations. An activity ordering rule is first used to rank all eligible activity-mode pairs, followed by a knee point selection to find the promising pairs. Then, a group selection rule selects the best activity combination. We develop a multi-tree GP framework to evolve both types of rules simultaneously. Experimental results demonstrate that our approach scales well to large instances and outperforms GP with sequential decision-making in most scenarios.
• Abstract（参考訳）: 動的マルチモードのリソース制約のあるプロジェクトスケジューリング問題は、アクティビティの実行順序とそれに対応する実行モードの両方を決定することを必要とする、困難なスケジューリング問題である。 遺伝的プログラミングは、現在の許容集合からのアクティビティモードペアの選択を導く優先規則を進化させるための超ヒューリスティックな方法として広く応用されている。 近年,活動間の相互依存を考慮し,より効率的なスケジューリングを可能にする活動群選択戦略が提案されている。 小規模のインスタンスでは有効だが、この戦略はより大きな問題に適用する際のスケーラビリティの問題に悩まされる。 本研究は, グループ選択戦略のスケーラビリティを高めるために, 膝先に基づく選択機構を導入し, それらの組み合わせを評価する前に, 活動の有望なサブセットを特定する。 アクティビティオーダリングルールは、まずすべての有効なアクティビティモードペアをランク付けし、次に、期待できるペアを見つけるための膝点選択を行う。 そして、グループ選択ルールがベストアクティビティの組み合わせを選択する。 両タイプのルールを同時に進化させるマルチツリーGPフレームワークを開発した。 実験の結果,提案手法は大規模インスタンスによく適用でき,ほとんどのシナリオにおいて連続的な意思決定でGPを上回っていることがわかった。

関連論文リスト

• Multi Activity Sequence Alignment via Implicit Clustering [50.3168866743067]
  暗黙のクラスタリングによるシーケンスアライメントによる制約を克服する新しいフレームワークを提案する。 具体的には、列内のフレームをアライメントしながら、暗黙的なクリップレベルのクラスタリングを行うという考え方です。 実験の結果,提案手法は最先端の結果よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-16T14:28:46Z)
• Reinforcement learning with combinatorial actions for coupled restless bandits [62.89013331120493]
  提案するSEQUOIAは,動作空間に対する長期報酬を直接最適化するRLアルゴリズムである。 我々は,複数介入,経路制約,二部間マッチング,容量制約という,制約を伴う4つの新しいレスレス・バンディット問題に対して,SEQUOIAを実証的に検証した。
  論文  参考訳（メタデータ） (2025-03-01T21:25:21Z)
• 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)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Deep hybrid models: infer and plan in a dynamic world [0.0]
  3つの特徴に基づいて離散的かつ連続的な処理を利用する能動的推論手法を提案する。 モデルが異なる条件下で提示された課題に対処できることが示される。
  論文  参考訳（メタデータ） (2024-02-01T15:15:25Z)
• MAP-Elites based Hyper-Heuristic for the Resource Constrained Project Scheduling Problem [0.3359875577705538]
  資源制約型プロジェクトスケジューリング問題(RCPSP)はNP-Hard最適化問題である。 本稿では, MAP-Elites を用いたハイパーヒューリスティック (MEHH) を用いて, RCPSP の効率的な優先ルールの自動発見を行う。
  論文  参考訳（メタデータ） (2022-04-24T01:49:59Z)
• Partial-Adaptive Submodular Maximization [28.24164217929491]
  適応部分モジュラー問題に関するほとんどの研究は、完全に適応的な設定に焦点を当てている。 本稿では,バッチ内で複数の選択を同時に行うことができる部分適応部分モジュラーの問題について検討する。 我々のアプローチは、過去の選択から観察を待つ時間を削減するとともに、適応性の利点を享受します。
  論文  参考訳（メタデータ） (2021-11-01T14:48:41Z)
• A Markov Decision Process Approach to Active Meta Learning [24.50189361694407]
  教師付き学習では、データが特定のタスクに関連付けられていると仮定して、与えられたデータセットに1つの統計モデルを適用する。 メタラーニングでは、データは多数のタスクと関連付けられており、同時に全てのタスクでうまく機能するモデルを模索する。
  論文  参考訳（メタデータ） (2020-09-10T15:45:34Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)

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。