Daty řízený algoritmus pro rozvrhování na jednom stroji

Abstract

V této práci představuje metodu pro řešení problému Single machine total tardiness problem. Analyzovali jsme užití Deep learning metod, pro Single machine total tardiness problem. Využili jsme rozděl a panuj algoritmu a odvodili z něj data-driven přístup. Vytvořili jsme hlubokou neuronovou síť se schopností predikovat hodnotu kritéria problému. Tato neuronová síť jedná jako optimální orákulum s polynomiální dobou běhu. Orákulum řídí rozděl a panuj metodu v každém kroku. Náš data-driven přístup překonává state-of-the-art heuristiku ve kvalitě řešení.

In this thesis, we present a method for solving a single machine total tardiness problem a classical NP-hard scheduling problem. We investigate the use of deep learning method for this problem. We utilize known decomposition method from operation research, and we derive data-driven method. We introduce a deep neural network that predicts the objective value and acts as a polynomial-time oracle. Oracle drive decomposition method in each step. Our data-driven method outperforms the state-of-the-art heuristic in terms of optimality gap.