NICE:通过强化学习引导的整数规划实现鲁棒调度
机器学习
2022-04-18 v3 人工智能
摘要
整数规划为表示广泛的现实世界调度问题提供了强大的抽象。尽管能够建模通用调度问题,求解大规模整数规划(IP)在实践中仍是计算挑战。引入如抗干扰鲁棒性等更复杂目标进一步加剧了计算挑战。我们提出NICE(神经网络IP系数提取),一种结合强化学习与整数规划以应对鲁棒调度问题的新技术。更具体地,NICE使用强化学习在整数规划公式中近似表示复杂目标。我们使用NICE确定飞行员到航班机组排班的分配,以减少干扰的影响。我们将NICE与(1)生成可行机组排班的基线整数规划公式,以及(2)显式尝试最小化干扰影响的鲁棒整数规划公式进行比较。我们的实验表明,在多种场景下,NICE生成的排班比基线公式减少33%至48%的干扰。此外,在鲁棒整数规划在90分钟内无法生成排班的更严格受限调度场景中,NICE平均能在不到2秒内构建鲁棒排班。
引用
@article{arxiv.2109.12171,
title = {NICE: Robust Scheduling through Reinforcement Learning-Guided Integer Programming},
author = {Luke Kenworthy and Siddharth Nayak and Christopher Chin and Hamsa Balakrishnan},
journal= {arXiv preprint arXiv:2109.12171},
year = {2022}
}
备注
Accepted in 36th AAAI Conference. 7 pages + 2 pages appendix, 1 figure. Code available at https://github.com/nsidn98/NICE