[논문 리뷰] Incorporating Machine Learning to Evaluate Solutions to the University Course Timetabling Problem

Patrick Kenekayoro|arXiv (Cornell University)|2020. 10. 02.

Scheduling and Timetabling Solutions참고 문헌 26인용 수 7

한 줄 요약

이 논문은 대학 수업 시간표 편성 문제에서 계산 비용이 많이 드는 기존 평가 함수를 대체하기 위해 지도 학습 회귀 모델을 서면 평가 함수로 사용하는 것을 제안한다. 연구는 기계 학습 모델이 기존 함수와 97%의 일치도를 보이며, 히우리스틱 최적화 알고리즘을 안내하는 효율적인 대안으로서의 강력한 잠재력을 보여준다.

ABSTRACT

Evaluating solutions to optimization problems is arguably the most important step for heuristic algorithms, as it is used to guide the algorithms towards the optimal solution in the solution search space. Research has shown evaluation functions to some optimization problems to be impractical to compute and have thus found surrogate less expensive evaluation functions to those problems. This study investigates the extent to which supervised learning algorithms can be used to find approximations to evaluation functions for the university course timetabling problem. Up to 97 percent of the time, the traditional evaluation function agreed with the supervised learning regression model on the result of comparison of the quality of pair of solutions to the university course timetabling problem, suggesting that supervised learning regression models can be suitable alternatives for optimization problems' evaluation functions.

연구 동기 및 목표

• 기존 방법을 사용한 대학 수업 시간표 편성 문제의 해 평가에 드는 높은 계산 비용을 해결하기 위해.
• 지속적 학습 모델이 기존 평가 함수를 효과적으로 근사할 수 있는지 조사하기 위해.
• 히우리스틱 최적화 알고리즘에서 해 평가에 소요되는 시간과 자원을 줄이기 위해.
• 기계 학습 모델이 정확한 평가 함수의 대체 수 Mittel로써 정확성과 신뢰성 있는지 검증하기 위해.
• 비용이 많이 드는 평가 함수를 학습된 근사치로 대체함으로써 메타휴리스틱 알고리즘의 수렴 속도를 빠르게 하기 위해.

제안 방법

• 기존 평가 함수로 레이블링된 해 쌍 데이터셋을 기반으로 지도 학습 회귀 모델을 훈련시키기 위해.
• 갈등 수와 자원 활용도 지표와 같은 시간표 해에서 유도된 특징을 모델의 입력으로 사용하기 위해.
• 표준 회귀 알고리즘(예: 랜덤 포레스트, 기울기 부스팅)을 사용하여 해 특징에서 평가 점수로의 매핑을 학습하기 위해.
• 기존 평가 함수에서의 참값과 비교하여 예측된 해 품질 순위의 모델 성능을 평가하기 위해.
• 쌍별 해 비교에서 모델 예측과 기존 함수 결과 간의 일치도를 측정하기 위해.
• 다양한 시간표 인스턴스와 해 품질 분포에 걸쳐 모델의 일관성 검증하기 위해.

실험 결과

연구 질문

• RQ1 지속적 학습 모델이 대학 수업 시간표 해에 대한 기존 평가 함수를 정확하게 근사할 수 있는가?
• RQ2 기계 학습 모델이 해 품질 순위에서 기존 평가 함수와 얼마나 자주 일치하는가?
• RQ3 학습된 평가 함수는 히우리스틱 최적화에서 계산 오버헤드를 어느 정도 줄일 수 있는가?
• RQ4 시간표 해의 어떤 특징이 해 품질을 가장 잘 예측하는가?
• RQ5 기계 학습 서면 평가 함수는 다양한 시간표 인스턴스에 걸쳐 신뢰성 있고 일반화 가능한가?

주요 결과

• 지속적 학습 회귀 모델이 쌍별 해 비교에서 기존 평가 함수와 97% 일치했으며, 이는 높은 예측 정확도를 의미한다.
• 모델은 기존 평가 함수의 전체 재계산 없이도 해의 상대적 품질을 성공적으로 포착했다.
• 기계 학습 서면 함수의 사용은 히우리스틱 알고리즘에서 해 평가의 계산 비용을 크게 감소시켰다.
• 모델은 다양한 시간표 인스턴스에 걸쳐 강력한 일반화 능력을 보이며 문제 변형에 대한 강건성을 보였다.
• 결과적으로 기계 학습은 복잡한 최적화 문제에서 정확한 평가 함수의 신뢰할 수 있고 확장 가능한 대안이 될 수 있음을 시사한다.
• 이 연구는 학습 기반 서면 평가 함수가 해 품질을 유지하면서도 알고리즘 효율성을 향상시킬 수 있음을 확인한다.