結果を最適化する深層学習アルゴリズム


10

私はディープラーニングに非常に慣れていませんが、それを使い始めるのにちょうど良い現実の状況を見つけたと思います。問題は、結果を予測するためにそのようなアルゴリズムのみを使用したことです。私の新しいプロジェクトでは、結果を最適化するためにマシンに供給するための情報が必要です。誰かが私がどのように進むべきかを簡単に説明できますか?行き詰まっています。

ここに状況があります:

私は、全長にわたってさまざまなグレードの木材を使用できる木の板を取り出し、それをカットリストにあるブロックに切断する機械を持っています。このマシンは、与えられた板から得られる最高のスコアを常に選択します。スコアは、各ブロックの乗じた面積をそのことにより、乗数。私が構築したいアルゴリズムは、カットリストにリストされている各ブロックの乗数をそのマシンに与える必要があります。このマシンからのすべての物理的な出力は、必要になるまでロボットによって棚にストックされます。それがより高いスコアに達するのを助けるならば、切断機は厚板の部分を格下げすることを許されます。

この値は、木材をあまりダウングレードせずに、最も必要なブロックをマシンに提供するインセンティブとして機能する必要があります。

最適化の目標

  • 必要なときに各ブロックの在庫があることを確認する
  • 可能な限り少ない木材のダウングレード(一部の種は非常に高価です)

入力ノード

  • このブロックが必要になるまでの時間
  • このブロックの木材のグレード
  • 必要なこのブロックの量
  • ブロックのエリア(たぶん?)

アルゴリズムに提供されるフィードバック

  • ブロックの準備ができている前の時間(可能な限り低くする必要があります)
  • ダウングレードされた木材の面積*スキップされたグレードの数

期待される返品データ

  • そのブロックに他のものに比べてその優先順位を最適にする乗数

私は持っていませんが収集することができなかった情報

  • 木材の種類ごとの各グレードの平均比率

これまでにわかったことは、フィードバックを出力ノードにするために、フィードバックを1つの値にまとめる必要があるかもしれないということです。問題は、私が判断するために、このアルゴリズムを作成する方法を理解することができないということである乗数を。ディープラーニングによってこれを解決しようとするのは間違っていますか?


これは本当に面白い質問です!AIへようこそ。
DukeZhou

私は質問をより明確にするために自由に編集しました。「そのブロックに他のブロックと比較して優先度を最適化するcm²あたりの値」どうすればよいかわかりませんでし た。ブロックに他のブロックと比較して優先度に関して最適な値を与えるということですか?
DukeZhou

@DukeZhouマシンのアルゴリズムは、「スコア」を作成し、各プランクをカットして最大スコアを取得するために、最適化しようとしている値にブロックの合計2D領域(幅x長さ)を乗算します。アルゴリズムでブロックの領域を評価すると、スコアを決定し、それを領域で割ることができます。全体として、主な焦点は、最高のスコアが最高のニーズに一致し、マシンの目標が私たちの目標と同じになるようにすることです。
フランク・マレンファント2017

@DukeZhou申し訳ありませんが、それが明確でない場合は、英語が私の第二言語です。
フランク・マレンファント2017

1
@DukeZhouこちら。私はそれを乗数という用語に置き換え、その使用法についていくつかの追加情報を提供しました。
フランク・マレンファント2017

回答:


2

回帰タスクのディープラーニングモデルをトレーニングするのは非常に難しいので、それらから始めないことをお勧めします。代わりに、以下のアプローチの1つから始めて、後でディープラーニングを使用してみます。

問題への古典的なアプローチは、最適化ソフトウェアを分析することであり、これはおそらくいくつかの決定論的アルゴリズムにつながるでしょう。

さまざまなアプローチで、最適化ソフトウェアをブラックボックスとして扱うことができます-さまざまな入力を与え、関心のある変数(実行時間、切断結果など)を書き留め、それに何らかの並べ替えまたはリグレッサを当てはめてみてください。

1つのオプションは、Kouroshのアイデアに従い、それを古典的な最適化問題として定式化することです。

機械学習ツールを使用したい場合は、線形回帰などの単純なモデルから始めて、使用できるデータに信号があることを確認することをお勧めします。その後、xgboost、回帰ツリーなどのより強力なアルゴリズムを見ることができます。

弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.