Este artigo estuda um algoritmo de otimização de escalonamento dinâmico que integra Transformer e aprendizado por reforço PPO, concentrando-se em conflitos frequentes de recursos e atrasos na resposta no escalonamento de atividades sindicais.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de investigação
Este artigo estuda um algoritmo de otimização de escalonamento dinâmico que integra Transformer e aprendizado por reforço PPO, concentrando-se em conflitos frequentes de recursos e atrasos na resposta no escalonamento de atividades sindicais.
Para resolver o problema da redução da eficiência organizacional causado por conflitos frequentes na alocação de recursos e respostas tardias no agendamento no gerenciamento de atividades sindicais, este artigo propõe um algoritmo de agendamento dinâmico que integra Transformer e PPO (Otimização da Política Proximal). Na implementação específica, uma estrutura de modelagem unificada de cenários de agendamento é primeiramente projetada para converter os estados de atividades, pessoal e recursos em entradas tensoriais, permitindo assim a integração de múltiplas restrições. Em seguida, utiliza-se o mecanismo de atenção multi-cabeça do Transformer para codificar a série temporal de solicitações históricas de atividades e o status dos recursos, extrair características espaço-temporais multidimensionais e aprimorar a percepção de riscos de conflito. Posteriormente, com base nos resultados da codificação e na rede de estratégias do PPO, ações de agendamento são geradas a partir do estado atual, aumentando a adaptabilidade da estratégia a ambientes complexos. Por fim, por meio do mecanismo de atualização com poda e correção da função de vantagem, garante-se a estabilidade da estratégia durante a iteração e melhora-se o desempenho do agendamento. Experimentos demonstraram que, com densidade de tarefas igual a 1000, o tempo médio de decisão do algoritmo de agendamento é de 0,72 s e seu atraso médio de resposta é de 1,59 s, indicando alta velocidade de resposta e eficiência na tomada de decisão. Em sete tipos de atividades e níveis de complexidade, a taxa de conflito de recursos varia entre 0,05 e 0,12; a taxa média de utilização de recursos situa-se entre 0,75 e 0,86; e o índice de estabilidade do agendamento varia de 0,8 a 0,91, reduzindo efetivamente os conflitos frequentes na alocação de recursos e alcançando alta estabilidade no agendamento. Em condições de alta concorrência, os índices de equilíbrio de recursos e de robustez na transferência da estratégia são 0,88 e 0,85, respectivamente, indicando boa adaptabilidade às cargas de tarefas concorrentes.
As atividades sindicais envolvem o agendamento complexo de múltiplas tarefas e recursos, exigindo que o sistema possua capacidades eficientes de resposta dinâmica1,2. Os requisitos das atividades mudam com frequência, e a distribuição de pessoal e recursos de espaços é complexa, o que pode facilmente levar a conflitos de agendamento e ao desperdício de recursos3,4. Capturar com precisão o histórico das atividades e o status atual dos recursos, bem como aprimorar a capacidade de identificar e responder a conflitos potenciais, é essencial para aumentar a....
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Figura 1 mostra a estrutura de um sistema de agendamento de atividades sindicais que integra modelagem de séries temporais e aprendizado por reforço. A camada de entrada integra cronogramas de atividades, disponibilidade de recursos e informações sobre janelas de tempo do pessoal, e constrói uma matriz multidimensional de relações de conflito entre tarefas e recursos por meio do módulo de grafo de restrições. O transformador realiza codificação com atenção múltipla sobre a sequência histórica de estados de atividades e recursos, produzindo estados ocultos com dependências temporais. O módulo de política utiliza os resultados da codificaçã....
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Dados experimentais
Para avaliar de forma abrangente o desempenho do algoritmo de agendamento dinâmico Transformer-PPO apresentado neste artigo, o experimento utiliza dados de gestão de atividades de um grande sindicato empresarial dos últimos três anos como conjunto de dados de referência. Este conjunto contém mais de 5.000 registros de atividades, abrangendo diversos tipos, incluindo reuniões, treinamentos e eventos de entretenimento, com informações de agendamento para múltiplos recursos, como loc.......
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Os resultados experimentais demonstram que o algoritmo Transformer-PPO proposto supera consistentemente os métodos de referência (LSTM-PPO, busca gulosa e DQN) em todas as métricas de avaliação. O desempenho superior pode ser atribuído a dois fatores principais. Primeiro, o mecanismo de autoatenção com múltiplos cabeçotes do Transformer captura eficazmente as dependências temporais de longo alcance nas sequências de atividades e estados de recursos, permitindo a identificação proativa de conflitos potenciais. Isso explic.......
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Os autores declaram que não possuem conflitos de interesses financeiros.
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Python 3.9 | Python Software Foundation | https://www.python.org/downloads/release/python-390/ | Linguagem de programação principal |
| PyTorch 1.12 | Meta AI | https://pytorch.org/get-started/previous-versions/ | Framework de aprendizado profundo (implementação Transformer/PPO) |
| NumPy 1.23 | Desenvolvedores do NumPy | https://numpy.org/doc/stable/release/1.23.0-notes.html | Biblioteca de computação numérica |
| Matplotlib 3.5 | Equipe de Desenvolvimento do Matplotlib | https://matplotlib.org/stable/users/installing.html | Visualização de resultados |
| Conjunto de dados de agendamento de atividades sindicais | Banco de dados interno de uma empresa colaboradora (anônimo) | Não disponível publicamente devido a acordo de confidencialidade; pesquisadores podem entrar em contato com o autor correspondente para obter acesso | Mais de 5.000 registros de atividades (reuniões, treinamentos, entretenimento) de um sindicato de grande empresa ao longo de três anos |
| NVIDIA A100 GPU | |||
| PyTorch |
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.