Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Genetic Programming with Reinforcement Learning Trained Transformer for Real-World Dynamic Scheduling Problems

Created by
  • Haebom

저자

Xian Chen, Rong Qu, Jing Dong, Ruibin Bai, Yaochu Jin

개요

본 논문은 유전 알고리즘(GP)과 강화학습(RL) 기반 Transformer를 결합한 새로운 동적 스케줄링 방법인 GPRT(Genetic Programming with Reinforcement Learning trained Transformer)를 제시합니다. GPRT는 GP가 생성한 휴리스틱을 Transformer가 개선하고, GP의 진화를 유도하는 방식으로 동작합니다. 컨테이너 터미널 트럭 스케줄링 문제에 적용하여 기존 GP, 단독 Transformer 기반 방법 및 다른 최첨단 방법들을 능가하는 성능을 보였습니다. GPRT는 다양한 동적 스케줄링 문제에 적용 가능한 유연하고 해석 가능하며 수정이 용이한 프레임워크를 제공합니다.

시사점, 한계점

•
시사점:
◦
GP와 RL 기반 Transformer의 결합을 통한 새로운 동적 스케줄링 방법 GPRT 제시
◦
컨테이너 터미널 트럭 스케줄링 문제에서 기존 방법 대비 우수한 성능 검증
◦
다양한 동적 스케줄링 문제에 적용 가능한 유연하고 해석 가능하며 수정이 용이한 프레임워크 제공
◦
GP의 휴리스틱 생성 능력과 Transformer의 미세 조정 및 RL 기반 학습 능력의 시너지 효과 확인
•
한계점:
◦
본 논문에서 제시된 실험은 컨테이너 터미널 트럭 스케줄링 문제에 국한되어 있음. 다른 유형의 동적 스케줄링 문제에 대한 일반화 가능성은 추가 연구가 필요함.
◦
GPRT의 성능이 특정 하이퍼파라미터 설정에 의존할 가능성이 존재하며, 최적의 하이퍼파라미터 설정을 찾는 과정이 복잡할 수 있음.
◦
실제 환경 적용 시 발생할 수 있는 예측 불가능한 변수들에 대한 강건성 평가가 추가적으로 필요함.
👍
Made with Slashpage