Grafové neuronové sítě a hluboké posilované učení při rozvrhování prací

• Název práce v češtině: Grafové neuronové sítě a hluboké posilované učení při rozvrhování prací
• Název v anglickém jazyce: Graph neural networks and deep reinforcement learning in job scheduling
• Akademický rok vypsání: 2023/2024
• Typ práce: diplomová práce
• Ústav: Katedra teoretické informatiky a matematické logiky (32-KTIML)
• Vedoucí / školitel: prof. RNDr. Ing. Martin Holeňa, CSc.
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 08.09.2023
• Datum zadání: 27.09.2023
• Datum potvrzení stud. oddělením: 19.10.2023

Zásady pro vypracování

1. Vyhledejte v literatuře alespoň pět publikovaných algoritmů pro rozvrhování prací využívajících grafové neuronové sítě, pro které existuje implementace v některém Vám přístupném programovacím jazyce.
2. Naučte se pracovat s implementacemi algoritmů nelezených v 1).
3. Porovnejtw algoritmy nalezené v 1) na alespoň pěti sadách dat pro rozvrhování prací.
4. Vyhodnoťte statistickou významnost nalezených rozdílů mezi prorovnávaými algoritmy.

Seznam odborné literatury

see https://www.cs.cas.cz/~martin/diplomka68.html

Předběžná náplň práce

Obecnou úlohou organizace práce je přiřazení jednotlivých pracovních úkonů většího množství pracovních činností dostupným zdrojům, tj. pracovníkům či strojům, takovým způsobem, aby bylo dodrženo přípustné pořadí úkonů při každé z činností, kapacita každého zdroje i specializace pracovníků a strojů na pouze některé typy pracovních úkonů. Rozvržení prací, které je optimální z hlediska doby dokončení všech plánovaných činností nebo z hlediska celkových nákladů na jejich provedení, představuje složitou úlohu kombinatorické optimalizace s omezeními. Tato úloha se původně řešívala pomocí heuristických rozhodovacích pravidel specifických pro každý problém a hledaných metodou pokusů a omylů, posledních několik desetiletí se pro ni používají různé typy evolučních optimalizačních algoritmů. Ani ty se ale nedokážou zcela vypořádat se složitými omezeními, která vyplývají z přípustného pořadí úkonů, specializace pracovníků a strojů a jejich kapacity. Tato omezení lze poměrně přirozeným způsobem reprezentovat pomocí grafů, což v posledních letech vedlo k návrhům použít k rozvrhování prací grafové neuronové sítě naučené pomocí hlubokého posilovaného učení. Někdy se v nich navíc používá koncept pozornosti, který se velmi dobře osvědčil v neuronových sítích typu transformer. Tento přístup k rozvrhování prací je ale teprve v počátečním stadiu a přináší řadu témat i pro začínající výzkum. Některým z nich by se měla zabývat navrhovaná diplomová práce.