Využití metod strojového učení pro řešení úloh rozvrhování
Use of machine learning techniques to solve scheduling problems
Typ dokumentu
diplomová prácemaster thesis
Autor
Evgeniya Brichkova
Vedoucí práce
Šůcha Přemysl
Oponent práce
Marek Petr
Studijní obor
Datové vědyStudijní program
Otevřená informatikaInstituce přidělující hodnost
katedra počítačůPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Tato diplomová práce studuje algoritmy pro řešení úloh plánování pomocí strojového učení, konkrétně metod hlubokého učení. Soustředí se na problém rozvrhování, který je charakterizován jako 1|ri|ΣUi, tj. rozvrhování sady úloh na jednom počítači. Každá úloha se vyznačuje časem zpracování, časem vydání a termínem splnění. Cílem tohoto NP-těžkého kombinatorického problému je minimalizovat počet úloh, které nebyly dokončeny před termínem splnění. Diplomová práce studuje literaturu týkající se řešeného problému plánování a existujících technik strojového učení používaných k řešení kombinatorických problémů. Dále navrhujeme několik metod založených na strojovém učení, abychom vyřešili 1|ri|ΣUi, které zdůrazňují kombinaci a interakci mezi state-of-the-art přístupy pro rozvrhování a metody strojového učení. Výsledky experimntů ukazují, že navrhované metody mohou vyřešit problémové instance až se 160 úlohami s velmi malou relativní odchylku od optima. This work studies algorithms for solving scheduling problems using machine learning, specifically, deep learning methods. We concentrate on a scheduling problem characterized as 1|ri|ΣUi in the standard notation, i.e., scheduling a set of jobs on a single machine. Each job is characterized by its processing time, release time, and due date. The objective of this NP-hard combinatorial problem is to minimize the number of jobs that were not completed before the due date. The thesis surveys the literature related to the addressed scheduling problem and the existing machine learning techniques used to solve combinatorial problems. Further, we design several machine learning-based methods to solve 1|ri|ΣUi that emphasize the combination and interaction between traditional state-of-the-art approaches for scheduling and machine learning methods. The experimental results show that the proposed methods can solve the problem instances with up to 160 jobs with a very low optimality gap.
Kolekce
- Diplomové práce - 13136 [833]