面向单机问题的深度学习驱动调度算法：最小化总延迟
最优化与控制
2024-02-28 v1 人工智能
机器学习
摘要
本文研究了利用深度学习方法来解决著名的NP难单机调度问题，其目标是最小化总延迟。我们提出了一种深度神经网络，作为基于Lawler分解和Della Croce等人提出的对称分解的单遍调度算法中用于估计准则值的多项式时间估计器。essentially，神经网络通过估计将问题划分为子问题的最佳分割来指导该算法。论文还描述了一种新方法用于生成训练数据集，这加速了训练数据集的生成，并降低了解的平均最优间隙。实验结果表明，我们的机器学习驱动方法能够有效地从训练阶段推广信息到显著更大的实例。尽管训练阶段使用的实例规模为75至100个作业，但在规模达到800个作业的实例上，平均最优间隙仅为0.26%，约为当前最先进启发式方法间隙的五倍。
引用
@article{arxiv.2402.14847,
title = {Deep learning-driven scheduling algorithm for a single machine problem minimizing the total tardiness},
author = {Michal Bouška and Přemysl Šůcha and Antonín Novák and Zdeněk Hanzálek},
journal= {arXiv preprint arXiv:2402.14847},
year = {2024}
}