Learning From Scenarios for Stochastic Repairable Scheduling

要約

線形目標で不確実なパラメータ値を持つ問題を最適化する場合、意思決定中心の学習により、これらの値のエンドツーエンドの学習が可能になります。
処理時間が不確実であり、制約に不確実な値がもたらされるため、初期スケジュールの修復が必要になる可能性がある、確率的スケジューリング問題に興味があります。
確率的処理時間の過去の実績が利用可能です。
確率的平滑化に基づく既存の意思決定中心の学習手法をこのスケジューリング問題にどのように適用できるかを示します。
どのような状況において意思決定中心の学習が、そのような状況における最新技術であるシナリオベースの確率的最適化よりも優れたパフォーマンスを発揮するかを調査するために、広範な実験評価が含まれています。

要約(オリジナル)

When optimizing problems with uncertain parameter values in a linear objective, decision-focused learning enables end-to-end learning of these values. We are interested in a stochastic scheduling problem, in which processing times are uncertain, which brings uncertain values in the constraints, and thus repair of an initial schedule may be needed. Historical realizations of the stochastic processing times are available. We show how existing decision-focused learning techniques based on stochastic smoothing can be adapted to this scheduling problem. We include an extensive experimental evaluation to investigate in which situations decision-focused learning outperforms the state of the art for such situations: scenario-based stochastic optimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google