Title (eng)
Using deep learning to make predictions about the block relocation problem
Parallel title (deu)
Vorhersagen über das Stapelungsproblem mit Hilfe von Deep Learning treffen
Author
Michael Raunig
Advisor
Roland Braune
Assessor
Roland Braune
Abstract (deu)
In dieser Arbeit wird ein neuer Lösungsansatz für die Vorhersage der minimalen Anzahl der für die Lösung eines unbeschränkten Stapelungsproblems (engl.: Block Relocation Problem) notwendigen Umlagerungen entwickelt. Basierend auf einer kürzlich veröffentlichten exakten Lösungsmethode wurden mehrere tausend Probleminstanzen gelöst. Diese fungierten als Trainings- und Validierungsdaten für das vorgeschlagene CNN-Modell (Convolutional Neural Network). Die Leistungsfähigkeit dieses neuen Ansatzes wurde auf einem anerkannten Instanzenset getestet. Die Ergebnisse und die Vorhersagekraft des neuralen Netzes wurden außerdem mit mehreren Heuristiken, einer anderen einfachen Methode aus dem Feld des maschinellen Lernens und den Vorhersagen von in der Fachliteratur etablierten unteren Grenzwerten verglichen. Die vorgeschlagene Methode kann als eine standardisierte Implementierung eines CNN-Modells verstanden werden und erzielt dabei einigermaßen gute Ergebnisse im Vergleich mit den angesetzten Maßstäben. Zusätzlich demonstriert die erfolgreiche Implementierung dieses Standardmodels das Verbesserungspotential hinsichtlich der Entwicklung von anspruchsvolleren Modellen.
Abstract (eng)
In this paper, I propose a new approach to predict the minimum number of necessary relocations to solve the unrestricted block relocation problem. A recently published exact solution approach was implemented and used to solve several thousand BRP problem instances. This served as training and validation data for the deep convolutional neural network. The performance of this new approach was tested on a benchmark dataset. The computational results and the predictive quality of neural network were furthermore compared against selected heuristics, another simple machine learning approach, as well as against the predictive capability of several already established lower bounds for the block relocation problem. The proposed method can be understood as a standardized implementation of a convolutional neural network and performs reasonably well against the benchmarks. In addition, the successful implementation of this standard model demonstrates an improvement potential with regard to the development of more powerful models.
Keywords (deu)
Deep LearningStapelungsproblemConvolutional Neural Network
Keywords (eng)
Deep LearningBlock Relocation ProblemConvolutional Neural Network
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
Extent (deu)
100 Seiten
Number of pages
100
Study plan
Masterstudium Betriebswirtschaft
[UA]
[066]
[915]
Association (deu)
Title (eng)
Using deep learning to make predictions about the block relocation problem
Parallel title (deu)
Vorhersagen über das Stapelungsproblem mit Hilfe von Deep Learning treffen
Author
Michael Raunig
Abstract (deu)
In dieser Arbeit wird ein neuer Lösungsansatz für die Vorhersage der minimalen Anzahl der für die Lösung eines unbeschränkten Stapelungsproblems (engl.: Block Relocation Problem) notwendigen Umlagerungen entwickelt. Basierend auf einer kürzlich veröffentlichten exakten Lösungsmethode wurden mehrere tausend Probleminstanzen gelöst. Diese fungierten als Trainings- und Validierungsdaten für das vorgeschlagene CNN-Modell (Convolutional Neural Network). Die Leistungsfähigkeit dieses neuen Ansatzes wurde auf einem anerkannten Instanzenset getestet. Die Ergebnisse und die Vorhersagekraft des neuralen Netzes wurden außerdem mit mehreren Heuristiken, einer anderen einfachen Methode aus dem Feld des maschinellen Lernens und den Vorhersagen von in der Fachliteratur etablierten unteren Grenzwerten verglichen. Die vorgeschlagene Methode kann als eine standardisierte Implementierung eines CNN-Modells verstanden werden und erzielt dabei einigermaßen gute Ergebnisse im Vergleich mit den angesetzten Maßstäben. Zusätzlich demonstriert die erfolgreiche Implementierung dieses Standardmodels das Verbesserungspotential hinsichtlich der Entwicklung von anspruchsvolleren Modellen.
Abstract (eng)
In this paper, I propose a new approach to predict the minimum number of necessary relocations to solve the unrestricted block relocation problem. A recently published exact solution approach was implemented and used to solve several thousand BRP problem instances. This served as training and validation data for the deep convolutional neural network. The performance of this new approach was tested on a benchmark dataset. The computational results and the predictive quality of neural network were furthermore compared against selected heuristics, another simple machine learning approach, as well as against the predictive capability of several already established lower bounds for the block relocation problem. The proposed method can be understood as a standardized implementation of a convolutional neural network and performs reasonably well against the benchmarks. In addition, the successful implementation of this standard model demonstrates an improvement potential with regard to the development of more powerful models.
Keywords (deu)
Deep LearningStapelungsproblemConvolutional Neural Network
Keywords (eng)
Deep LearningBlock Relocation ProblemConvolutional Neural Network
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
Number of pages
100
Association (deu)
License
- Citable links
- Other links
- Managed by
- Details
- Usage statistics-
- Metadata
- Export formats