Comparing Optimization Models for Radiotherapy Scheduling
University of Trento(特伦托大学);University of Pisa(比萨大学)
研究放射治疗计划问题,开发两种贪婪启发式算法并结合模拟退火方法优化调度,通过公开数据集评估,该方法能在接近精确方法的同时大幅减少运行时间和内存使用,结合SA后进一步提升效果。
2026-07-28 cs.AI math.OC
Cost Optimized Scheduling in Modular Electrolysis Plants
本文提出基于交替方向乘子法的分散式调度模型,用于优化模块化电解厂运行,以平衡产氢与波动需求、最小化边际平准化氢气成本并适应运行扰动。
2024-02-07 cs.AI cs.SY eess.SY
Scheduling with Predictions
Cornell University(康奈尔大学)
人们对部署用于诊断放射学的机器学习算法非常感兴趣,因为现代学习技术已经使得在几分钟内检测医学图像中的异常成为可能。虽然机器辅助诊断还不能可靠地取代放射科医生对图像的人工审查,但它们可以为确定审查患者病例的顺序提供优先级规则,以便具有时间敏感性条件的患者可以从早期干预中受益。我们研究这种情况下,制定它作为一个学习增强的在线调度问题。我们提前得到了每个到达病人的紧急程度的信息,但这些预测不可避免地容易出错。在这个公式中,我们面临着在不完美信息下做出决策的挑战,以及当我们实时观察到更好的数据时对预测误差做出动态响应的挑战。我们提出了一个简单的在线政策,并表明这一政策实际上是最好的可能在某些程式化的设置。我们还证明,我们的政策实现了两个必要的在线算法的预测:一致性(预测精度的性能改善)和鲁棒性(对最坏情况的保护)。我们补充我们的理论研究结果与政策的实证评估下设置,更准确地反映在现实世界中的临床场景。
2022-12-20 cs.AI cs.DS cs.LG
Solving the Extended Job Shop Scheduling Problem with AGVs -- Classical and Quantum Approaches
Telekom Innovation Laboratories(德国电信创新实验室);Fraunhofer FOKUS(弗劳恩霍夫开放通信系统研究所)
作业调度优化(JSO)的主题是处理组织中的作业调度,以便根据假设的目标优化组织单个工作步骤。在本文中,提供了一个用例,它涉及JSO的一个子方面,作业车间调度问题(JSSP或JSP)。由于许多优化问题JSSP是NP完全的,这意味着复杂性随着系统中的每个节点呈指数级增加。该用例的目标是展示如何使用约束编程(CP)和量子计算(QC)为灵活组织的机械中的某些工件创建优化的责任公鸡,并与自主地面车辆(AGV)相结合。经典的解决方案的基础上CP和量子退火模型的结果,并进行了讨论。所有提出的结果都在研究项目PlanQK中得到了阐述。
2021-09-10 cs.AI
OptPipe: Memory- and Scheduling-Optimized Pipeline Parallelism for LLM Training
Shanghai University of Finance and Economics(上海金融学院);National University of Singapore(新加坡国立大学);Shanghai Jiao Tong University(上海交通大学);Stanford University(斯坦福大学)
本文提出OptPipe,一种将流水线调度建模为受约束优化问题的方法,联合考虑内存容量、激活重用与气泡最小化,在严格内存预算下减少流水线空闲时间,提升吞吐量并支持更大模型训练。
2025-10-06 cs.AI cs.DC math.OC
Random-Key Algorithms for Optimizing Integrated Operating Room Scheduling
Federal University of São Paulo (UNIFESP)(圣保罗联邦大学(UNIFESP));Aeronautics Institute of Technology (ITA)(航空技术学院(ITA))
本研究提出随机键优化器框架,集成多种元启发式算法,解决多约束手术室调度问题,显著改进上下界并证明一个最优解,提升医院运营效率。
2025-01-24 cs.AI cs.NE math.CO
An ASP-based Solution to the Medical Appointment Scheduling Problem
University of Pisa, Italy(意大利比萨大学);Department of Information Engineering, Computer Science(信息工程系);Mathematics, University of L’Aquila,Italy(数学,意大利拉奎拉大学)
本文提出基于ASP的医疗预约安排框架,通过整合Blueprint Personas实现个性化安排,提升效率并减少行政负担。
2026-01-07 cs.AI cs.LO
FedCGD: Collective Gradient Divergence Optimized Scheduling for Wireless Federated Learning
本文针对无线联邦学习中的数据异构与带宽受限问题,提出FedCGD调度算法,通过平衡设备级WEMD和样本级采样方差最小化集体梯度散度,以更少设备实现更高准确率。
2025-06-09 cs.AI cs.DC cs.LG
Iterated Variable Neighborhood Search for the resource constrained multi-mode multi-project scheduling problem
Helmut-Schmidt-University, University of the Federal Armed Forces Hamburg(赫尔穆特·施密特大学(汉堡联邦国防军大学))
资源受限多模式多项目调度问题是一个非常困难的组合优化问题。对于一组给定的活动,必须找到可行的执行模式分配和执行开始时间,以便优化某些优化函数,例如最大完工时间。当确定决策变量值的最优(或至少可行的)分配时,一组侧约束,诸如资源可用性、优先约束等,必须得到尊重2013年,MISTA 2013挑战赛规定了RCMMMPSP中的研究。它的目标是在运行时间限制下解决给定的一组实例。我们通过这里提出的方法为应对这一挑战做出了贡献。
2013-10-02 cs.AI
Operating Room (Re)Scheduling with Bed Management via ASP
University of Calabria(卡拉布里亚大学);SurgiQ srl(SurgiQ有限公司);University of Genoa(热那亚大学)
手术室调度(ORS)问题是将患者分配到手术室的任务,考虑到不同的专业,每个计划手术的长度和优先级评分,手术室会话持续时间,以及重症监护室和病房中整个住院时间的床位可用性。ORS问题的妥善解决对医院环境中的医疗服务质量和患者满意度至关重要。在本文中,我们首先提出了一个解决问题的答案集编程(ASP)的基础上。该解决方案进行了测试的基准与现实的大小和参数,在三个场景的目标长度在5天的调度,常见的中小型医院,结果表明,ASP是一个合适的解决方法,在这样的设置ORS问题。然后,我们还对长达15天的计划长度进行了可扩展性分析,这仍然显示了我们的解决方案在更长的计划范围内的适用性。此外,我们还提出了一个ASP解决方案的重调度问题,即当离线时间表无法完成的一些原因。最后,我们介绍了一个Web框架,通过ASP管理ORS的问题,允许用户插入的主要参数的问题,解决一个特定的实例,并以图形方式显示结果实时。逻辑程序设计理论与实践(TPLP)
2021-05-05 cs.AI cs.LO
A Literature Review on Length of Stay Prediction for Stroke Patients using Machine Learning and Statistical Approaches
Lakehead University(湖首大学)
住院时间(LOS)是反映医院服务质量并有助于改善医院调度和管理的最重要的医疗保健指标之一。LOS预测有助于成本管理,因为留在医院的患者通常在资源严重有限的医院单位中这样做。在这项研究中,我们回顾了使用机器学习和统计方法进行LOS预测的论文。我们的文献综述考虑了集中于卒中患者LOS预测的研究。一些调查研究显示,作者得出了相互矛盾的结论。例如,在一些研究中,患者的年龄被认为是卒中患者LOS的重要预测因素,而其他研究得出的结论是,年龄不是一个重要因素。因此,需要在这一领域进行更多的研究,以进一步了解卒中患者LOS的预测因素。
2021-12-30 cs.AI cs.LG
Solving the Resource Constrained Project Scheduling Problem Using the Parallel Tabu Search Designed for the CUDA Platform
Czech Technical University in Prague(布拉格捷克理工大学)
本文提出了一种求解资源受限项目调度问题的并行禁忌搜索算法。为了处理这个NP-难的组合问题,已经进行了许多优化。例如,通过启发式算法选择资源评估算法,并设计了有效的禁忌表。除此之外,提出了一种容量索引的资源评估算法,GPU(图形处理单元)版本使用同构模型来减少所需的通信带宽。实验结果表明,GPU版本在计算时间和解的质量方面优于优化的并行CPU版本。与其他现有的算法相比,所提出的解决方案往往给出更好的质量解决方案。
2017-11-13 cs.AI cs.DC
TRATSS: Transformer-Based Task Scheduling System for Autonomous Vehicles
Royal Military College of Canada(加拿大皇家军事学院)
本文提出TRATSS框架,结合Transformer与强化学习解决图环境中单智能体NP难任务调度问题,通过自注意力捕捉任务依赖,在基准数据集上验证了其高质量调度决策与资源利用效率。
2025-04-07 cs.AI cs.LG cs.RO
Dynamic Scheduling Strategies for Resource Optimization in Computing Environments
Western University(韦仕敦大学)
本文提出一种基于多目标优化的容器调度方法,通过引入优化模型和启发式算法,利用Google Cluster Data验证,显著提升了资源利用率、负载均衡与突发任务完成效率,为云原生环境下的智能资源管理奠定基础。
2024-12-23 cs.AI cs.DC
A flexible integer linear programming formulation for scheduling clinician on-call service in hospitals
MAP Centre for Urban Health Solutions, St. Michael’s Hospital, Unity Health Toronto(多伦多联合健康圣迈克尔医院MAP城市健康解决方案中心);University of Toronto(多伦多大学)
医院环境中的人员调度对于改善为患者提供的服务和平衡分配给临床医生的工作量至关重要。许多方法已经尝试并成功地应用于在这样的设置中生成有效的时间表。然而,由于一般调度问题的计算复杂性,大多数方法诉诸于算法来在合理的时间内找到非最优解。我们设计了一个整数线性规划公式,以找到一个最佳的时间表,在一家医院的临床部门。我们的公式通过最小化约束集来缓解与计算复杂性相关的问题,但仍保留了足够的灵活性,使其能够适应各种临床部门。然后,我们使用加拿大多伦多圣迈克尔医院传染病部门的数据对我们的方法进行了案例研究。我们分析和比较了我们的方法在医院手动创建的时间表的结果,并发现改善遵守部门的限制和临床医生的喜好。我们使用模拟数据来检查我们的线性程序的运行时对各种参数的敏感性,并观察到令人放心的结果,这表明我们的方法在不同的现实世界中的实用性和通用性。
2019-10-18 cs.AI math.OC
Onsite Job Scheduling by Adaptive Genetic Algorithm
针对多车场VRP变体现场作业调度中技能、时段及SLA约束下的路线与加班优化问题,提出自适应遗传算法,为大量作业和技术人员求得满足约束的优化调度方案。
2023-06-04 cs.AI cs.NE math.OC