Ipereuristiche calibrate con rollout per la pianificazione di job shop
Un recente preprint su arXiv (2605.23957) presenta un'ipereuristica assistita dall'apprendimento per risolvere il problema di pianificazione di job shop (JSSP), concentrandosi sui problemi di costo e affidabilità delle etichette. Questo selettore innovativo utilizza etichette di rollout normalizzate per il rimpianto e una stima dell'incertezza KNN contestuale, impiegando un meccanismo di gate che si discosta da una regola predefinita solo quando il miglioramento previsto supera una soglia corretta per l'incertezza. La ricerca esplora variazioni nella profondità e ampiezza del rollout per valutare i compromessi tra costo e qualità. Nei test con istanze JSSP sintetiche, il selettore con gate mostra la più bassa deviazione percentuale relativa media (RPD) tra i selettori appresi, allineandosi strettamente con la migliore regola fissa. È importante notare che questo studio non riguarda l'arte.
Fatti principali
- arXiv:2605.23957 introduce un'ipereuristica assistita dall'apprendimento per JSSP.
- Il metodo utilizza etichette di rollout normalizzate per il rimpianto e incertezza KNN contestuale.
- Un gate passa da una regola predefinita solo quando il miglioramento supera un margine corretto per l'incertezza.
- La profondità e l'ampiezza del rollout vengono variate per misurare il compromesso costo-qualità.
- Su istanze JSSP sintetiche, il selettore con gate raggiunge la più bassa RPD media tra i selettori appresi.
- Il lavoro non è correlato all'arte.
Entità
—