The Practimum-Optimum Algorithm for Manufacturing Scheduling: A Paradigm Shift Leading to Breakthroughs in Scale and Performance

要約

Practimum-Optimum (P-O) アルゴリズムは、大規模な製造スケジュールなどの複雑な現実のビジネス問題に対する自動最適化製品の開発におけるパラダイム シフトを表しています。
ビジネス領域の深い専門知識を活用して、高品質のスケジュールを作成する方法についてさまざまな「考え方」を持つバーチャル ヒューマン エキスパート (VHE) エージェントのグループを作成します。
それらをコンピューター化してアルゴリズムにすることにより、P-O は人間のスケジューラーよりもはるかに高速で多くの有効なスケジュールを生成します。
当初、これらのスケジュールは、高品質のスケジュールから遠く離れた局所的な最適なピークである可能性もあります。
これらのスケジュールを強化された機械学習アルゴリズム (RL) に送信することで、P-O は各 VHE スケジュールの弱点と強みを学習し、それに応じてジョブが受け取った時間とリソースの割り当ての相対的な優先順位を変更する需要セット内の報酬と罰の変更を導き出します。
スケジュールの現在の状態につながった前の反復で。
これらにより、VHE アルゴリズムのコア ロジックは、後続の反復でスケジュール領域の実質的に異なる部分を探索し、より高品質なスケジュールを見つける可能性があります。
山登りのたとえを使用すると、これは、将来の反復のための需要セットに組み込まれた知識を備えた、特定の地元のピークから遠くの有望な開始点に移行する、大きなジャンプとして見なすことができます。
これは、訪問するローカル ピークの近傍に限定されたローカル マイクロステップにかなりの時間を費やす現代のアルゴリズムとの根本的な違いです。
この違いにより、複雑な組織における完全自動製造スケジュールの規模とパフォーマンスの画期的な進歩が可能になります。
P-O アルゴリズムは、Plataine Scheduler の中心であり、ワンクリックで、実際の複雑な製造業務に必要な 30,000 ～ 50,000 のタスクを定期的にスケジュールします。

要約(オリジナル)

The Practimum-Optimum (P-O) algorithm represents a paradigm shift in developing automatic optimization products for complex real-life business problems such as large-scale manufacturing scheduling. It leverages deep business domain expertise to create a group of virtual human expert (VHE) agents with different ‘schools of thought’ on how to create high-quality schedules. By computerizing them into algorithms, P-O generates many valid schedules at far higher speeds than human schedulers are capable of. Initially, these schedules can also be local optimum peaks far away from high-quality schedules. By submitting these schedules to a reinforced machine learning algorithm (RL), P-O learns the weaknesses and strengths of each VHE schedule, and accordingly derives reward and punishment changes in the Demand Set that will modify the relative priorities for time and resource allocation that jobs received in the prior iteration that led to the current state of the schedule. These cause the core logic of the VHE algorithms to explore, in the subsequent iteration, substantially different parts of the schedules universe and potentially find higher-quality schedules. Using the hill climbing analogy, this may be viewed as a big jump, shifting from a given local peak to a faraway promising start point equipped with knowledge embedded in the demand set for future iterations. This is a fundamental difference from most contemporary algorithms, which spend considerable time on local micro-steps restricted to the neighbourhoods of local peaks they visit. This difference enables a breakthrough in scale and performance for fully automatic manufacturing scheduling in complex organizations. The P-O algorithm is at the heart of Plataine Scheduler that, in one click, routinely schedules 30,000-50,000 tasks for real-life complex manufacturing operations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google