Rješavanje problema raspoređivanja korištenjem suparničkog učenja
Većina problema raspoređivanja su NP teški problemi. Korištenjem strojnog učenja moguće je pronaći u prihvatljivom vremenu neko, ne nužno najbolje, rješenje nekog problema raspoređivanja. U suparničkom učenju osim raspoređivača poslova, uče i sami poslovi kako bi otežali proces raspoređivanja raspor...
Main Author: | |
---|---|
Other Authors: | |
Format: | Master Thesis |
Language: | Croatian |
Published: |
Sveučilište u Zagrebu. Fakultet elektrotehnike i računarstva.
2021
|
Subjects: | |
Online Access: | https://zir.nsk.hr/islandora/object/fer:8240 https://urn.nsk.hr/urn:nbn:hr:168:067691 https://repozitorij.unizg.hr/islandora/object/fer:8240 https://repozitorij.unizg.hr/islandora/object/fer:8240/datastream/PDF |
Summary: | Većina problema raspoređivanja su NP teški problemi. Korištenjem strojnog učenja moguće je pronaći u prihvatljivom vremenu neko, ne nužno najbolje, rješenje nekog problema raspoređivanja. U suparničkom učenju osim raspoređivača poslova, uče i sami poslovi kako bi otežali proces raspoređivanja raspoređivačima. Koristeći genetsko programiranje, populacija raspoređivača i problema se međusobno natječe - koevoluiraju. Implementacija je ostvarena u radnom okviru ECF. Dani rezultati su prihvatljivi. Most of scheduling problems are NP hard problem. Using machine learning it is possible to find an acceptable solution (not necessary the best solution) to some scheduling problem. In adversarial instead of just schedulers, both schedulers and jobs learn. Jobs learn to make process of scheduling more difficult. Using genetic programming, population of schedulers and population of jobs are competing - coevolving. Implementation is done in ECF framework. Results of coevolution are acceptable. |
---|