อัลกอริทึมการเรียนรู้ลึกเพื่อเพิ่มประสิทธิภาพผลลัพธ์

ฉันค่อนข้างใหม่สำหรับการเรียนรู้อย่างลึกล้ำ แต่ฉันคิดว่าฉันพบเพียงสถานการณ์ในโลกแห่งความจริงที่ถูกต้องเพื่อเริ่มใช้งาน ปัญหาคือฉันได้ใช้อัลกอริทึมดังกล่าวเพื่อคาดการณ์ผลลัพธ์เท่านั้น สำหรับโครงการใหม่ของฉันฉันต้องการข้อมูลเพื่อป้อนเครื่องด้วยเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด มีคนอธิบายสั้น ๆ ว่าฉันควรดำเนินการอย่างไร ผมติดอยู่.

นี่คือสถานการณ์:

ฉันมีเครื่องจักรที่ใช้แผ่นไม้ที่มีไม้หลายเกรดให้เลือกตลอดความยาวของมันและต้องตัดมันเป็นบล็อกที่ระบุไว้ในรายการตัด เครื่องนี้มักจะเลือกคะแนนสูงสุดที่จะได้รับจากไม้กระดานที่กำหนด คะแนนจะได้รับจากการคูณแต่ละบล็อกของพื้นที่โดยตัวของมันmultiplicator อัลกอริทึมที่ฉันต้องการสร้างจะต้องให้เครื่องนั้นเป็นตัวกระจายสัญญาณสำหรับแต่ละบล็อกที่อยู่ในรายการที่ตัด เอาท์พุททางกายภาพทั้งหมดจากเครื่องนี้จะถูกเก็บไว้บนชั้นวางโดยหุ่นยนต์จนกว่าจะมีความจำเป็น เครื่องตัดได้รับอนุญาตให้ลดขนาดชิ้นส่วนของไม้กระดานถ้ามันช่วยให้ได้คะแนนสูงขึ้น

คุณค่าจะต้องทำหน้าที่เป็นแรงจูงใจให้เครื่องจักรเพื่อให้บล็อกที่ฉันต้องการมากที่สุดโดยไม่ลดระดับไม้มากเกินไป

เป้าหมายการเพิ่มประสิทธิภาพ

• ตรวจสอบให้แน่ใจว่าแต่ละบล็อคอยู่ในสต็อกตามเวลาที่ต้องการ แต่ไม่เร็วเกินไปโดยไม่มีเหตุผล
• ปรับลดพื้นที่ไม้ให้น้อยที่สุดเท่าที่จะเป็นไปได้ (บางสายพันธุ์มีราคาแพงมาก)

ปุ่มอินพุต

• ระยะเวลาก่อนที่จะต้องใช้บล็อกนี้
• เกรดไม้สำหรับบล็อกนี้
• จำนวนบล็อกที่ต้องการ
• พื้นที่ของ Block (อาจจะ?)

ข้อเสนอแนะให้ ALGORITHM

• ระยะเวลาล่วงหน้าที่บล็อกพร้อม (ต้องน้อยที่สุดเท่าที่จะเป็นไปได้)
• พื้นที่ไม้ลดระดับ * ข้ามเกรด

ข้อมูลที่รับคืน

• multiplicatorที่จะให้บล็อกที่ดีที่สุดมีความสำคัญเทียบกับคนอื่น ๆ

ข้อมูลที่ฉันไม่ได้ แต่รวบรวมได้

• อัตราส่วนเฉลี่ยของแต่ละเกรดสำหรับไม้แต่ละชนิด

สิ่งที่ฉันได้คิดออกไปก็คือฉันอาจต้องการความคิดเห็นของฉันถูกทุบด้วยค่าเพียงค่าเดียวเพื่อที่จะทำให้มันเป็นโหนดเอาต์พุต ปัญหาคือว่าฉันไม่สามารถเข้าใจวิธีที่จะทำให้ขั้นตอนวิธีนี้ในการกำหนดmultiplicator ฉันผิดในการพยายามแก้ปัญหานี้ผ่านการเรียนรู้อย่างลึกซึ้งหรือไม่?

แบบจำลองการเรียนรู้ลึกสำหรับงานการถดถอยนั้นค่อนข้างยากในการฝึกอบรมดังนั้นฉันขอแนะนำไม่ให้เริ่มด้วย แต่ฉันจะเริ่มต้นด้วยหนึ่งในวิธีการด้านล่างและอาจลองใช้การเรียนรู้ลึกในภายหลัง

แนวทางแบบดั้งเดิมในการแก้ปัญหาคือการวิเคราะห์ซอฟต์แวร์เพิ่มประสิทธิภาพของคุณและนี่อาจนำคุณไปสู่อัลกอริทึมที่กำหนด

วิธีการที่แตกต่างกันคือการรักษาซอฟต์แวร์การเพิ่มประสิทธิภาพของคุณเป็นกล่องดำ - ให้มันมีความหลากหลายของอินพุตบันทึกตัวแปรที่คุณสนใจ (เวลาดำเนินการผลการตัด ฯลฯ ) และพยายามปรับให้เข้ากับ regressor .

ทางเลือกหนึ่งคือการติดตามแนวคิดของ Kourosh และกำหนดเป็นปัญหาการเพิ่มประสิทธิภาพแบบดั้งเดิม

หากคุณต้องการใช้เครื่องมือการเรียนรู้ของเครื่องมากกว่าที่ฉันแนะนำให้คุณเริ่มต้นด้วยแบบจำลองอย่างง่ายเช่นการถดถอยเชิงเส้นเพียงเพื่อยืนยันว่ามีสัญญาณใด ๆ ในข้อมูลที่คุณสามารถใช้ได้ หลังจากนั้นคุณสามารถดูอัลกอริทึมที่มีประสิทธิภาพมากขึ้นเช่น xgboost, ต้นไม้ถดถอยเป็นต้น