AI-ütemező 15%-kal javítja a robotok munkáját
Egy új Transformer-alapú AI-modell 15-30%-kal csökkenti a robotok munkájának ütemezési idejét, miközben nagyméretű, 100x100-as feladatokra is képes általánosítani.
A nyitott műhely ütemezési problémája (OSSP) sok ipari és szolgáltatási területen jelentős kihívás, különösen a feladatok és gépek számának növekedésével. Az eddigi pontos módszerek gyorsan kezelhetetlenné váltak, míg a klasszikus szabályok és metaheuristikák gyakran jelentős finomhangolást igényelnek.
Az arXiv-en publikált kutatásban a szerzők egy Transformer-alapú ütemezési politikát fejlesztettek ki, amely multi-head attentiont használó encoder-decoder architektúrát alkalmaz. A modellt 4x4-től 10x10-es Taillard teljesítményteszt példányokon tanították be, pusztán a feldolgozási idő mátrixát használva bemenetként.
Kapcsolódó: Árelőrejelzési rendszer
Skálázhatóság és teljesítmény
A skálázhatóság tesztelésére a képzett politikát újratanítás nélkül alkalmazták nagyobb, 40x40-től 100x100-as véletlenszerűen generált példányokon. Ezeken a nagyméretű feladatokon a Transformer átlagosan 12,89-15,12%-os eltérést mutatott egy standard alsó becsléshez képest.
Kapcsolódó: Nyílt világú feladatmegoldás
Verseny a klasszikusokkal szemben
A Transformer-modell összehasonlítása olyan klasszikus ütemezési szabályokkal történt, mint a SPT (Shortest Processing Time), LPT (Longest Processing Time) és EST (Earliest Start Time). A Transformer versenyképesnek bizonyult az EST-vel szemben, és jelentősen felülmúlta a SPT és LPT módszereket.
Kapcsolódó: Optimalizálási keretrendszer
A kutatók a Transformer modelljét a Taillard teljesítményteszt 100x100-as példányain tesztelték, ahol a modell 15-30%-kal csökkenti a robotok munkájának ütemezési idejét.
Kapcsolódó: AI-alaprajzok