Enhancing Constraint Programming via Supervised Learning for Job Shop Scheduling

要約

タイトル：仕事場スケジューリングの制約プログラミングの監視学習による強化

要約：
– 制約プログラミング (CP) は、制約満足や最適化問題を解決するための強力な技術である。
– CPソルバーでは、問題を解く際に最初にどの変数を探索するかを選択する変数順序戦略が、ソルバーの効果に重要な影響を与える。
– この問題に対処するために、監視学習に基づく新しい変数順序戦略を提案する。
– 弊社の学習ベースの方法は、問題インスタンスの最適解を予測し、予測された解を使用してCPソルバーの変数を順序付けする。
– 伝統的な変数順序戦略とは異なり、弊社の方法は各問題インスタンスの特徴から学習し、変数順序戦略をカスタマイズすることができるため、ソルバー性能が向上する。
– 実験結果から、機械学習モデルのトレーニングが非常に効率的で高い精度を達成できることが示されている。
– さらに、弊社の学習された変数順序戦略は、既存の4つの方法と比較して競争力のある性能を示している。
– 最後に、機械学習ベースの変数順序戦略を従来のドメインベースの方法と融合することが有益であることが示されている。

要約(オリジナル)

Constraint programming (CP) is a powerful technique for solving constraint satisfaction and optimization problems. In CP solvers, the variable ordering strategy used to select which variable to explore first in the solving process has a significant impact on solver effectiveness. To address this issue, we propose a novel variable ordering strategy based on supervised learning, which we evaluate in the context of job shop scheduling problems. Our learning-based methods predict the optimal solution of a problem instance and use the predicted solution to order variables for CP solvers. \added[]{Unlike traditional variable ordering methods, our methods can learn from the characteristics of each problem instance and customize the variable ordering strategy accordingly, leading to improved solver performance.} Our experiments demonstrate that training machine learning models is highly efficient and can achieve high accuracy. Furthermore, our learned variable ordering methods perform competitively when compared to four existing methods. Finally, we demonstrate that hybridising the machine learning-based variable ordering methods with traditional domain-based methods is beneficial.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI