Buchumschlag

Learning From Scenarios for Stochastic Repairable Scheduling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Houten, Kim van den, Tax, David M. J., Freydell, Esteban, de Weerdt, Mathijs
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Proactive and Reactive Constraint Programming for Stochastic Project Scheduling with Maximal Time-Lags
von: Houten, Kim van den, et al.
Veröffentlicht: (2024)

Complexity of Scheduling Charging in the Smart Grid
von: de Weerdt, Mathijs, et al.
Veröffentlicht: (2017)

RESTAD: REconstruction and Similarity based Transformer for time series Anomaly Detection
von: Ghorbani, Ramin, et al.
Veröffentlicht: (2024)

On the Convergence of Loss and Uncertainty-based Active Learning Algorithms
von: Haimovich, Daniel, et al.
Veröffentlicht: (2023)

Revisiting Landmarks: Learning from Previous Plans to Generalize over Problem Instances
von: Hanou, Issa, et al.
Veröffentlicht: (2025)

Metric-DST: Mitigating Selection Bias Through Diversity-Guided Semi-Supervised Metric Learning
von: Tepeli, Yasin I., et al.
Veröffentlicht: (2024)

To the Max: Reinventing Reward in Reinforcement Learning
von: Veviurko, Grigorii, et al.
Veröffentlicht: (2024)

The Pump Scheduling Problem: A Real-World Scenario for Reinforcement Learning
von: Donâncio, Henrique, et al.
Veröffentlicht: (2022)

Offline Reinforcement Learning for Learning to Dispatch for Job Shop Scheduling
von: van Remmerden, Jesse, et al.
Veröffentlicht: (2024)

Necessary and Sufficient Conditions for Optimal Decision Trees using Dynamic Programming
von: van der Linden, Jacobus G. M., et al.
Veröffentlicht: (2023)

Generalizing Beyond Suboptimality: Offline Reinforcement Learning Learns Effective Scheduling through Random Data
von: van Remmerden, Jesse, et al.
Veröffentlicht: (2025)

Time Series Foundation Models for Process Model Forecasting
von: Yu, Yongbo, et al.
Veröffentlicht: (2025)

Generating Realistic Adversarial Examples for Business Processes using Variational Autoencoders
von: Stevens, Alexander, et al.
Veröffentlicht: (2024)

SCOPE: Sequential Causal Optimization of Process Interventions
von: De Moor, Jakob, et al.
Veröffentlicht: (2025)

A Penalty-Based Guardrail Algorithm for Non-Decreasing Optimization with Inequality Constraints
von: Stepanovic, Ksenija, et al.
Veröffentlicht: (2024)

ScheduleFree+: Scaling Learning-Rate-Free & Schedule-Free Learning to Large Language Models
von: Defazio, Aaron
Veröffentlicht: (2026)

Neural Combinatorial Optimization for Stochastic Flexible Job Shop Scheduling Problems
von: Smit, Igor G., et al.
Veröffentlicht: (2024)

Deep Learning and Matrix Completion-aided IoT Network Localization in the Outlier Scenarios
von: Kim, Sunwoo
Veröffentlicht: (2025)

Learning Over Dirty Data with Minimal Repairs
von: Zhen, Cheng, et al.
Veröffentlicht: (2025)

You Shall Pass: Dealing with the Zero-Gradient Problem in Predict and Optimize for Convex Optimization
von: Veviurko, Grigorii, et al.
Veröffentlicht: (2023)

FederatedFactory: Generative One-Shot Learning for Extremely Non-IID Distributed Scenarios
von: Moleri, Andrea, et al.
Veröffentlicht: (2026)

schlably: A Python Framework for Deep Reinforcement Learning Based Scheduling Experiments
von: de Puiseau, Constantin Waubert, et al.
Veröffentlicht: (2023)

Cyclical Log Annealing as a Learning Rate Scheduler
von: Naveen, Philip
Veröffentlicht: (2024)

Learning to Solve Job Shop Scheduling under Uncertainty
von: Infantes, Guillaume, et al.
Veröffentlicht: (2024)

Task Scheduling & Forgetting in Multi-Task Reinforcement Learning
von: Speckmann, Marc, et al.
Veröffentlicht: (2025)

Measurement Scheduling for ICU Patients with Offline Reinforcement Learning
von: Ji, Zongliang, et al.
Veröffentlicht: (2024)

ReLA: Representation Learning and Aggregation for Job Scheduling with Reinforcement Learning
von: Kwan, Zhengyi, et al.
Veröffentlicht: (2026)

Power Scheduler: A Batch Size and Token Number Agnostic Learning Rate Scheduler
von: Shen, Yikang, et al.
Veröffentlicht: (2024)

Optimal Linear Decay Learning Rate Schedules and Further Refinements
von: Defazio, Aaron, et al.
Veröffentlicht: (2023)

Adaptive Machine Learning-Driven Multi-Fidelity Stratified Sampling for Failure Analysis of Nonlinear Stochastic Systems
von: Xu, Liuyun, et al.
Veröffentlicht: (2025)

Measuring multi-calibration
von: Guy, Ido, et al.
Veröffentlicht: (2025)

Scenario-Based Hierarchical Reinforcement Learning for Automated Driving Decision Making
von: Abdelhamid, M. Youssef, et al.
Veröffentlicht: (2025)

Collapsed Inference for Bayesian Deep Learning
von: Zeng, Zhe, et al.
Veröffentlicht: (2023)

Red-Team Multi-Agent Reinforcement Learning for Emergency Braking Scenario
von: Chen, Yinsong, et al.
Veröffentlicht: (2025)

Learning Scenario Reduction for Two-Stage Robust Optimization with Discrete Uncertainty
von: Lin, Tianjue, et al.
Veröffentlicht: (2026)

Bayesian Meta-Reinforcement Learning with Laplace Variational Recurrent Networks
von: de Vries, Joery A., et al.
Veröffentlicht: (2025)

Reinforcement Learning with Stochastic Reward Machines
von: Corazza, Jan, et al.
Veröffentlicht: (2025)

Equivariant Eikonal Neural Networks: Grid-Free, Scalable Travel-Time Prediction on Homogeneous Spaces
von: García-Castellanos, Alejandro, et al.
Veröffentlicht: (2025)

Learning Memory-Enhanced Improvement Heuristics for Flexible Job Shop Scheduling
von: Wang, Jiaqi, et al.
Veröffentlicht: (2026)

Deep Reinforcement Learning Guided Improvement Heuristic for Job Shop Scheduling
von: Zhang, Cong, et al.
Veröffentlicht: (2022)