MARC

 008260126s2022        us                              c    eng  d
■001000017360507
■00520260202105538
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265400574
■035    ▼a(MiAaPQ)AAI32314951
■035    ▼a(MiAaPQ)GeorgiaTech70182
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658.404
■1001  ▼aWang,  Zheyuan.
■24510▼aLearning  Dynamic  Priority  Scheduling  Policies  with  Graph  Attention  Networks
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2022
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2022
■300    ▼a167  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Bloch,  Matthieu  R.;Gombolay,  Matthew.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2022.
■520    ▼aResource  optimization  plays  an  important  role  in  many  real-world  scenarios,  including  health  care,  manufacturing  and  services  industries,  and  more.  In  those  resource-constrained  environments,  effective  sequencing  and  scheduling  of  workers  and  jobs  has  become  a  necessity  for  success.  Activities  must  be  scheduled  to  meet  various  temporal  constraints  while  using  the  resources  available  in  an  efficient  manner.  Traditional  methods  for  solving  scheduling  problems  are  based  on  dynamic  programming  and  integer  programming  formulations  of  the  problems,  which  can  be  approached  with  either  exact  methods  that  are  computationally  expensive  and  hard  to  scale,  or  hand-crafted  heuristics  that  can  give  high-quality  solutions  but  require  a  combined,  herculean  effort  from  computer  scientists,  operations  researchers,  and  industrial  engineers  to  develop.The  aim  of  this  thesis  is  to  develop  novel  graph  attention  network-based  models  to  automatically  learn  scheduling  policies  for  effectively  solving  resource  optimization  problems,  covering  both  deterministic  and  stochastic  environments.  The  policy  learning  methods  utilize  both  imitation  learning,  when  expert  demonstrations  are  accessible  at  low  cost,  and  reinforcement  learning,  when  otherwise  reward  engineering  is  feasible.  By  parameterizing  the  learner  with  graph  attention  networks,  the  framework  is  computationally  efficient  and  results  in  scalable  resource  optimization  schedulers  that  adapt  to  various  problem  structures.This  thesis  addresses  the  problem  of  multi-robot  task  allocation  (MRTA)  under  temporospatial  constraints.  Initially,  robots  with  deterministic  and  homogeneous  task  performance  are  considered  with  the  development  of  the  RoboGNN  scheduler.  Then,  I  develop  ScheduleNet,  a  novel  heterogeneous  graph  attention  network  model,  to  efficiently  reason  about  coordinating  teams  of  heterogeneous  robots.  Next,  I  address  problems  under  the  more  challenging  stochastic  setting  in  two  parts.  Part  1)  Scheduling  with  stochastic  and  dynamic  task  completion  times.  The  MRTA  problem  is  extended  by  introducing  human  co  workers  with  dynamic  learning  curves  and  stochastic  task  execution.  HybridNet,  a  hybrid  network  structure,  has  been  developed  that  utilizes  a  heterogeneous  graph-based  encoder  and  a  recurrent  schedule  propagator,  to  carry  out  fast  schedule  generation  in  multi-round  settings.  Part  2)  Scheduling  with  stochastic  and  dynamic  task  arrival  and  completion  times.  With  an  application  in  failure-predictive  plane  maintenance,  I  develop  a  heterogeneous  graph-based  policy  optimization  (HetGPO)  approach  to  enable  learning  robust  scheduling  policies  in  highly  stochastic  environments.My  research  fills  the  current  gap  between  representation  learning  and  policy  learning  for  solving  resource  optimization  problems  by  building  a  unified  framework.  I  further  advances  the  idea  of  learning  to  schedule  by  refining  and  applying  it  in  more  complex  and  challenging  scenarios.  Through  extensive  experiments,  the  proposed  framework  has  been  shown  to  outperform  prior  state-of-the-art  algorithms  in  different  applications.  My  research  contributes  several  key  innovations  regarding  designing  graph-based  learning  algorithms  in  operations  research.
■590    ▼aSchool  code:  0078.
■650  4▼aSchedules
■650  4▼aAircraft
■650  4▼aScheduling
■650  4▼aInteger  programming
■650  4▼aTeaching  methods
■650  4▼aOptimization  techniques
■650  4▼aGraph  representations
■650  4▼aRobots
■650  4▼aRobotics
■650  4▼aIndustrial  engineering
■650  4▼aPedagogy
■650  4▼aEducation
■690    ▼a0771
■690    ▼a0546
■690    ▼a0456
■690    ▼a0515
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2022
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360507▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books