面向总延迟最小化调度的数据驱动算法
人工智能
2020-05-13 v1 机器学习
摘要
本文研究利用深度学习求解一个经典的NP难单机调度问题,其准则为最小化总延迟。我们未设计端到端机器学习模型,而是利用该问题的已知分解方法,并以数据驱动方式对其增强。我们设计了一个包含深度神经网络的回归器,用于学习并预测给定作业集的准则值。该网络作为准则的多项式时间估计器,被用于基于Lawler分解定理的单遍调度算法中。本质上,该回归器引导算法为每个作业选择最佳位置。实验结果表明,我们的数据驱动方法能高效地将训练阶段的信息泛化至显著更大的实例(多达350个作业),其最优性间隙约为0.5%,比最先进的NBR启发式算法的间隙小四倍。
引用
@article{arxiv.2005.05579,
title = {Data-driven Algorithm for Scheduling with Total Tardiness},
author = {Michal Bouška and Antonín Novák and Přemysl Šůcha and István Módos and Zdeněk Hanzálek},
journal= {arXiv preprint arXiv:2005.05579},
year = {2020}
}