旅行の予定を立てるとき、普通はまず時刻表を見る。飛行機か鉄道か、手段はさまざまだが、目的地と到着すべき時刻がはっきりしている限り、コストと所要時間を見てもっとも良い移動方法を見いだすことは簡単だ。経路が複雑な場合は手間がかかるかも知れないが、それでも最適なルートは必ずあるはずだ・・・。 こういう信念で生産計画の問題にも挑みたくなる気持ちはよく分かる。工場の稼働時間と生産能力、こなすべき生産指示と必要な資材、こうした条件がはっきりすれば、手間さえかければ最適なスケジュールを組めるはずだ。問題はその手間をいかに短くするかにある、と。 ところで、あいにくわたし自身はこうした意見に反対だ。スケジューリングを最適化問題の枠組みでとらえるべきではない。拙著「革新的生産スケジューリング入門―“時間の悩み”を解く手法」でも、その後の学会発表などでも、つねに私はこう主張してきた。しかし、なかなか理解してもら
最適輸送問題(Wasserstein 距離)を解く方法についてのさまざまなアプローチ・アルゴリズムを紹介します。 線形計画を使った定式化の基礎からはじめて、以下の五つのアルゴリズムを紹介します。 1. ネットワークシンプレックス法 2. ハンガリアン法 3. Sinkhorn アルゴリズム 4. ニューラルネットワークによる推定 5. スライス法 このスライドは第三回 0x-seminar https://sites.google.com/view/uda-0x-seminar/home/0x03 で使用したものです。自己完結するよう心がけたのでセミナーに参加していない人にも役立つスライドになっています。 『最適輸送の理論とアルゴリズム』好評発売中! https://www.amazon.co.jp/dp/4065305144 Speakerdeck にもアップロードしました: https
オートプランニングとスケジューリングは、単にAIプランニングと呼ばれることもありますが、一般的にインテリジェントエージェント、自律型ロボット、無人車両が実行する戦略やアクションシーケンスの実現に関係する人工知能の一分野です。 従来の制御および分類の問題とは異なり、ソリューションは複雑であり、多次元空間で発見および最適化する必要があります。 計画は意思決定理論にも関連しています。 使用可能なモデルがある既知の環境では、計画をオフラインで行うことができます。 ソリューションは実行前に見つけて評価することができます。 動的に未知の環境では、戦略はしばしばオンラインで修正する必要があります。 モデルと政策を適合させなければならない。 通常、ソリューションは人工知能で一般的に見られる反復試行錯誤プロセスに頼っています。 これには、動的プログラミング、強化学習、組み合わせ最適化が含まれます。 計画とス
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く