論文の概要: PyCSP3-Scheduling: A Scheduling Extension for PyCSP3

• arxiv url: http://arxiv.org/abs/2605.14559v1
• Date: Thu, 14 May 2026 08:33:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.722451
• Title: PyCSP3-Scheduling: A Scheduling Extension for PyCSP3
• Title（参考訳）: PyCSP3-Scheduling: PyCSP3のスケジューリング拡張
• Authors: Sohaib Afifi,
• Abstract要約: PyCSP$3$にスケジューリング抽象化を追加するライブラリであるPyCSP$3$を提示する。 17のモデル族にまたがる261のペアインスタンスでは、両定式化は同じ目的を72の2倍の最適ペアで生成する。 実行時のパフォーマンスは、家族間でばらつき、いくつかの(最大5.8倍)への明確な利得と、他のものへのレグレッションを持つ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: PyCSP$^3$ provides a productive way to build constraint models for solving combinatorial constrained problems and export them to XCSP$^3$, preserving a complete separation between modeling and solving. However, it lacks native support for scheduling abstractions such as interval variables, sequence variables, and resource functions. As a result, scheduling models must be encoded with low-level integer variables and manual channeling constraints, even though PyCSP$^3$ already provides global constraints like NoOverlap and Cumulative on integer arrays. We present PyCSP$^3$ Scheduling, a library that adds scheduling abstractions to PyCSP$^3$ through 53 dedicated constraints and 27 expressions, and compiles them down to standard PyCSP$^3$/XCSP$^3$ constraints, maintaining the modeling/solving separation that underpins the PyCSP$^3$ ecosystem. On 261 paired instances across 17 model families (5 runs each), both formulations produce identical objectives on all 72 doubly-proved optimal pairs and nearly half of the families (8/17) remain structurally unchanged after compilation; however, runtime performance diverges across families, with clear gains on some (up to 5.8x) and regressions on others due to the overhead of compilation decompositions. Code and benchmarks are available at: https://github.com/sohaibafifi/pycsp3-scheduling
• Abstract（参考訳）: PyCSP$^3$は、組合せ制約のある問題を解くための制約モデルを構築し、XCSP$^3$にエクスポートし、モデリングと解決の完全な分離を維持するための生産的な方法を提供する。 しかし、インターバル変数、シーケンス変数、リソース関数などのスケジューリング抽象化に対するネイティブサポートは欠如している。 その結果、PyCSP$^3$はすでに整数配列上のNoOverlapやCumulativeのようなグローバルな制約を提供していますが、スケジューリングモデルは低レベルの整数変数と手動のチャネル制約でエンコードされなければなりません。 PyCSP$^3$ Schedulingは、53の専用制約と27の式を通じてPyCSP$^3$にスケジューリング抽象化を追加し、標準のPyCSP$^3$/XCSP$^3$制約にコンパイルし、PyCSP$^3$エコシステムを支えるモデリング/解決分離を維持します。 モデルファミリ(それぞれ5つ)にまたがる261のペアインスタンスでは、どちらの定式化も72のペアで同じ目的を達成しており、コンパイル後にほぼ半分(8/17)が構造的に変化しない。 コードとベンチマークは、https://github.com/sohaibafifi/pycsp3-scheduling.comで公開されている。

関連論文リスト

• Programming over Thinking: Efficient and Robust Multi-Constraint Planning [54.77940831026738]
  SCOPEは、クエリ固有の推論をジェネリックコード実行から切り離すフレームワークである。 SCOPEは、コストとレイテンシを下げながら最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-14T02:58:07Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• Catch Your Breath: Adaptive Computation for Self-Paced Sequence Production [55.76222360698305]
  我々は,言語モデルが入力トークン毎に使用する計算ステップの数を動的かつ自律的に拡張できるような,教師付きトレーニング目標のクラスを探索する。 任意のトークンに対して、モデルは don't know> 出力を出力することで、追加の計算ステップを要求できる。 CYBモデルでは精度が向上し,トークンレベルの複雑性とコンテキストに処理時間を適用することができる。
  論文  参考訳（メタデータ） (2025-10-13T21:07:05Z)
• Projection by Convolution: Optimal Sample Complexity for Reinforcement Learning in Continuous-Space MDPs [56.237917407785545]
  本稿では,円滑なベルマン作用素を持つ連続空間マルコフ決定過程(MDP)の一般クラスにおいて,$varepsilon$-optimal Policyを学習する問題を考察する。 我々のソリューションの鍵となるのは、調和解析のアイデアに基づく新しい射影技術である。 我々の結果は、連続空間 MDP における2つの人気と矛盾する視点のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2024-05-10T09:58:47Z)
• Decomposable Non-Smooth Convex Optimization with Nearly-Linear Gradient Oracle Complexity [15.18055488087588]
  上記の凸定式化を$widetildeO(sum_i=1n d_i log (1 /epsilon))$グラデーション計算で$epsilon$-accuracyに最小化するアルゴリズムを与える。 我々の主な技術的貢献は、カットプレーン法とインテリアポイント法を組み合わせた新しい組み合わせにより、各イテレーションで$f_i$項を選択する適応的な手順である。
  論文  参考訳（メタデータ） (2022-08-07T20:53:42Z)
• Optimal Gradient Sliding and its Application to Distributed Optimization Under Similarity [121.83085611327654]
  積 $r:=p + q$, ここで$r$は$mu$-strong convex類似性である。 エージェントの通信やローカルコールにマスターされた問題を解決する方法を提案する。 提案手法は$mathcalO(sqrtL_q/mu)$法よりもはるかにシャープである。
  論文  参考訳（メタデータ） (2022-05-30T14:28:02Z)
• A Provably-Efficient Model-Free Algorithm for Constrained Markov Decision Processes [13.877420496703627]
  本稿では,制約付きマルコフ決定過程(CMDP)に対するモデルフリーでシミュレータフリーな強化学習アルゴリズムを提案する。 このアルゴリズムは、累積報酬のQ-関数、制約の累積効用Q-関数、累積制約違反を推定する仮想キューの3つの主要な成分を持つため、トリプルQと名付けられた。
  論文  参考訳（メタデータ） (2021-06-03T03:53:27Z)
• PyCSP3: Modeling Combinatorial Constrained Problems in Python [1.9336815376402718]
  PyCSP$3$はPythonライブラリで、制約された問題のモデルを宣言的な方法で記述できます。 このドキュメントでは、50以上のイラストレーションモデルを持つPyCSP$3$について知っておく必要があるすべてのものを見つけることができます。
  論文  参考訳（メタデータ） (2020-09-01T10:11:31Z)
• FANOK: Knockoffs in Linear Time [73.5154025911318]
  本稿では,ガウスモデル-Xノックオフを効率的に実装し,大規模特徴選択問題における誤発見率を制御するアルゴリズムについて述べる。 当社のメソッドは、最大50,000ドルという問題でテストしています。
  論文  参考訳（メタデータ） (2020-06-15T21:55:34Z)

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。