결과를 최적화하기위한 딥 러닝 알고리즘

나는 딥 러닝에 익숙하지 않지만 실제로 사용하기에 적합한 실제 상황을 발견했다고 생각합니다. 문제는 결과를 예측하기 위해 그러한 알고리즘 만 사용했다는 것입니다. 새 프로젝트의 경우 결과 를 최적화 하기 위해 머신에 정보를 제공해야합니다 . 누군가 내가 어떻게 진행해야하는지 간단히 설명 할 수 있습니까? 나는 붙어있다.

상황은 다음과 같습니다.

나는 길이에 걸쳐 다른 등급의 나무를 가진 나무 판자를 가져 와서 절단 목록에 제공된 블록으로 자르는 기계를 가지고 있습니다. 이 기계는 항상 주어진 판자에서 얻을 수 있는 최고 점수를 선택합니다 . 점수는 각 블록의 곱하여 얻어진 영역 의하여 multiplicator . 내가 만들고 싶은 알고리즘은 해당 기계 에 용접 구조물 테이블에 나열된 각 블록에 대해 곱셈기 를 제공해야 합니다. 이 기계의 모든 물리적 출력은 필요할 때까지 로봇에 의해 선반에 보관됩니다. 판자는 높은 점수에 도달하는 데 도움이되는 경우 판자의 일부를 다운 그레이드 할 수 있습니다.

이 값은 기계가 나무를 너무 많이 다운 그레이드하지 않으면 서 가장 필요한 블록을 제공하는 인센티브로 작용해야합니다.

최적화 목표

• 필요한만큼 각 블록의 재고가 있는지 확인하십시오.
• 가능한 적은 목재 면적으로 다운 그레이드 (일부 종은 매우 비쌉니다)

입력 노드

• 이 블록이 필요하기까지의 시간
• 이 블록의 목재 등급
• 이 블록의 필요량
• 블록 지역 (아마?)

알고리즘에 대한 피드백

• 블록이 준비된 시간 (가능한 한 낮음)
• 다운 그레이드 된 목재 면적 * 건너 뛴 등급 수

예상 반품 데이터

• 해당 블록에 다른 블록에 비해 우선 순위를 부여 하는 곱셈기

그러나 나는 게이터를 가질 수 없습니다

• 각 목재 종에 대한 각 등급의 평균 비율

내가 지금까지 알아 낸 것은 출력 노드를 만들기 위해 피드백을 하나의 값으로 스매싱해야 할 수도 있다는 것입니다. 문제는이 알고리즘을 곱셈기 를 결정하는 방법을 이해할 수 없다는 것 입니다. 딥 러닝을 통해이 문제를 해결하려고 잘못한 것입니까?

회귀 작업에 대한 딥 러닝 모델은 훈련하기가 어렵 기 때문에 시작하지 않는 것이 좋습니다. 대신 아래의 접근법 중 하나부터 시작하여 나중에 딥 러닝을 사용하려고 시도합니다.

이 문제에 대한 고전적인 접근 방식은 최적화 소프트웨어를 분석하는 것일 수 있으며 이는 아마도 결정적인 알고리즘으로 이어질 수 있습니다.

다른 접근법은 최적화 소프트웨어를 블랙 박스로 취급하는 것입니다-다양한 입력을 제공하고 관심있는 변수 (실행 시간, 절단 결과 등)를 기록하고 정렬 또는 회귀에 맞추십시오. .

하나의 옵션은 Kourosh의 아이디어를 따르고 고전적인 최적화 문제로 공식화하는 것입니다.

머신 러닝 툴을 선호한다면 선형 회귀와 같은 간단한 모델로 시작하여 사용 가능한 데이터에 신호가 있는지 확인하는 것이 좋습니다. 나중에 xgboost, 회귀 트리 등과 같은 더 강력한 알고리즘을 볼 수 있습니다.