همبستگی ویژگی های برنامه ریزی شغل با راندمان زمان بندی

Elsevier
سال انتشار :
2016
تعداد صفحات مقاله انگلیسی :
17
نشریه :
الزویر
تعداد رفرنس ها :
40
نوع مقاله :
مقاله ISI
کراس مارک :
Crossmark
keywords :
Job-shop scheduling Scheduling efficiency Makespan prediction Machine learning Support vector machines
کلمات کلیدی :
برنامه زمانی فروشگاه کار گاهی ، راندمان برنامه ریزی، پیش بینی زمان ، یادگیری ماشین، ماشین آلات جهت پشتیبانی
عنوان فارسی :

همبستگی ویژگی های برنامه ریزی شغل با راندمان زمان بندی

عنوان انگلیسی :

Correlation of job-shop scheduling problem features with scheduling efficiency

ژورنال :
Expert Systems with Applications
لینک مقاله :
http://www.sciencedirect.com/science/article/pii/S0957417416302949
آدرس DOI :
https://doi.org/10.1016/j.eswa.2016.06.014
وضعیت ترجمه :
انجام نشده.

سال انتشار : 2016

تعداد صفحات مقاله انگلیسی : 16

نشریه : الزویر

تعداد رفرنس ها : 40

نوع مقاله : مقاله ISI

کلمات کلیدی انگلیسی : Job-shop scheduling Scheduling efficiency Makespan prediction Machine learning Support vector machines

کلمات کلیدی : برنامه زمانی فروشگاه کار گاهی ، راندمان برنامه ریزی، پیش بینی زمان ، یادگیری ماشین، ماشین آلات جهت پشتیبانی

عنوان فارسی : همبستگی ویژگی های برنامه ریزی شغل با راندمان زمان بندی

عنوان انگلیسی : Correlation of job-shop scheduling problem features with scheduling efficiency

لینک مقاله : http://www.sciencedirect.com/science/article/pii/S0957417416302949



چکیده انگلیسی
In this paper, we conduct a statistical study of the relationship between Job-Shop Scheduling Problem (JSSP) features and optimal makespan. To this end, a set of 380 mostly novel features, each representing a certain problem characteristic, are manually developed for the JSSP. We then establish the correlation of these features with optimal makespan through statistical analysis measures commonly used in machine learning, such as the Pearson Correlation Coefficient, and as a way to verify that the features capture most of the existing correlation, we further use them to develop machine learning models that attempt to predict the optimal makespan without actually solving a given instance. The prediction is done as classification of instances into coarse lower or higher-than-average classes. The results, which constitute cross-validation and test accuracy measures of around 80% on a set of 15,000 randomly generated problem instances, are reported and discussed. We argue that given the obtained correlation information, a human expert can earn insight into the JSSP structure, and consequently design better instances, design better heuristic or hyper-heuristics, design better benchmark instances, and in general make better decisions and perform better-informed trade-offs in various stages of the scheduling process. To support this idea, we also demonstrate how useful the obtained insight can be through a real-world application.

چکیده فارسی
در این مقاله، ما یک بررسی آماری از رابطه بین مشکالت زمانبندی شغلی (JSSP) و مدلهای بهینه را انجام می دهیم. برای این منظور مجموعه ای از 380 ویژگی اصلی که هر کدام ویژگی خاصی دارند، به صورت دستی برای JSSP طراحی شده اند. پس از آن ما همبستگی این ویژگی ها با زمان مظلوب را از طریق روش های آماری تجزیه و تحلیل معمولا در آموزش ماشین ها، مانند ضریب همبستگی پیرسون استفاده می کنیم و به عنوان راهی برای بررسی اینکه ویژگی ها بیشترین همبستگی موجود را جذب می کنند، ما از آنها برای توسعه استفاده می کنیم مدل های یادگیری ماشین که تلاش می کنند برای پیش بینی مدل های بهینه بدون در نظر گرفتن یک مثال خاص مورد استفاده قرار گیرند. پیش بینی به عنوان طبقه بندی نمونه ها به کلاس های پایین تر یا بالاتر از حد متوسط ​​انجام می شود. نتایج، که شامل اعتبار سنجی متقابل و اندازه گیری دقت آزمون در حدود 80٪ در مجموعه ای از 15،000 نمونه های به طور تصادفی تولید شده، گزارش شده و مورد بحث قرار. ما استدلال می کنیم که با توجه به اطلاعات مربوط به همبستگی، یک متخصص انسانی می تواند بینش را نسبت به ساختار JSSP بدست آورد، و در نتیجه نمونه های بهتر طراحی، طراحی اکتشافی یا اکتشافی بهتر، طراحی بهتر نمونه های نمونه، و عموما تصمیمات بهتر و آگاهی بهتر معاملات در مراحل مختلف روند برنامه ریزی. برای حمایت از این ایده، ما همچنین نشان می دهیم که چگونه بینش به دست آمده از طریق یک برنامه دنیای واقعی مفید است.

موضوعات مقاله