Алгоритм глубокого обучения для оптимизации результата

10

Я довольно плохо знаком с глубоким изучением, но я думаю, что нашел реальную реальную ситуацию, чтобы начать использовать ее. Проблема в том, что я использовал только такие алгоритмы для прогнозирования результатов. Для моего нового проекта мне нужна информация, чтобы кормить машину, чтобы оптимизировать результаты. Может ли кто-нибудь кратко объяснить, как мне поступить? Я застрял.

Вот ситуация:

У меня есть машина, которая берет деревянные доски с различными сортами древесины по всей ее длине и должна разрезать ее на блоки, представленные в списке вырезов. Эта машина всегда будет выбирать самый высокий балл, который она может получить с данной доски. Оценка получается путем умножения каждого блока площадь его мультипликатора . Алгоритм, который я хочу построить, должен дать этой машине мультипликатор для каждого блока, указанного в списке вырезов. Весь физический выход этой машины будет храниться на полках роботом до тех пор, пока он не понадобится. Разрезному станку разрешается понизить детали доски, если это помогает ему набрать более высокий балл.

Ценность должна служить стимулом для машины, чтобы дать мне блок, в котором я нуждаюсь больше всего, без понижения количества древесины.

ЦЕЛИ ОПТИМИЗАЦИИ

  • Убедитесь, что каждый блок есть в наличии к тому времени, когда это необходимо, но не слишком рано без причины
  • Понизить как можно меньшую площадь древесины (некоторые породы очень дороги)

ВХОДНЫЕ УЗЛЫ

  • Время до того, как понадобится этот блок
  • Сорт древесины для этого блока
  • Необходимое количество этого блока
  • Площадь блока (может быть?)

ОБРАТНАЯ СВЯЗЬ, ПРЕДОСТАВЛЯЕМАЯ К АЛГОРИТМУ

  • Количество времени, за которое блок был готов (должно быть как можно меньше)
  • Площадь дерева понижена * количество пропущенных сортов

ОЖИДАЕМЫЕ ВОЗВРАТНЫЕ ДАННЫЕ

  • Мультипликатор , который даст этот блок оптимальный его приоритет по отношению к другим

ИНФОРМАЦИЯ, КОТОРУЮ У меня НЕ СОБИРАЕТСЯ

  • Среднее соотношение каждого сорта для каждого вида древесины

До сих пор я понял, что мне может потребоваться, чтобы моя обратная связь была разбита только на одно значение, чтобы сделать его выходным узлом. Проблема в том, что я не могу понять, как сделать этот алгоритм для определения мультипликатора . Я ошибаюсь, пытаясь решить это с помощью глубокого обучения?

Фрэнк Маленфант
источник
Это действительно интересный вопрос! Добро пожаловать в AI.
DukeZhou
Я взял на себя смелость редактировать вопрос для большей ясности. Не был уверен, что делать с: «Значение на см², которое даст этому блоку оптимальный приоритет по сравнению с другими». Вы имеете в виду предоставление блоку оптимального значения в отношении его приоритета относительно других блоков?
DukeZhou
@DukeZhou Алгоритм машины умножает значение, которое я пытаюсь оптимизировать, на общую 2D-площадь блока (ширина х длина), чтобы создать «оценку» и разрезать каждую доску, чтобы получить максимальную оценку. Если я определю область блока в алгоритме, то смогу определить счет, а затем разделить его на область. В общем, основное внимание уделяется тому, чтобы наивысшая оценка соответствовала самой высокой потребности, чтобы цель машины была такой же, как у нас.
Фрэнк
@DukeZhou Извините, если не так ясно, как мог, английский - мой второй язык.
Фрэнк Маленфант
1
@DukeZhou Здесь. Я заменил его термином « мультипликатор» и дал дополнительную информацию о его использовании.
Фрэнк

Ответы:

2

Модели глубокого обучения для регрессионных задач довольно сложно обучить, поэтому я бы посоветовал не начинать с них. Вместо этого я бы начал с одного из подходов, приведенных ниже, и, возможно, позже попытался бы использовать глубокое обучение.

Классическим подходом к проблеме может быть анализ вашего программного обеспечения для оптимизации, и это, вероятно, приведет вас к некоторому детерминированному алгоритму.

Различные подходы могут относиться к вашему программному обеспечению оптимизации как к черному ящику - предоставьте ему широкий спектр входных данных, запишите интересующие вас переменные (время выполнения, результаты резки и т. Д.) И попытайтесь установить на них какой-либо сорт или регрессор. ,

Один из вариантов - следовать идее Куроша и сформулировать ее как классическую задачу оптимизации.

Если вы предпочитаете использовать инструменты машинного обучения, я бы предложил начать с простой модели, такой как линейная регрессия, просто чтобы убедиться, что в данных есть какой-либо сигнал, который вы можете использовать. После этого вы можете посмотреть на более мощные алгоритмы, такие как xgboost, деревья регрессии и т. Д.

Ginge
источник