Key points are not available for this paper at this time.
تخصيص المهام هو مشكلة رئيسية في التحسين التوافقي، وهو أمر حاسم للتطبيقات الحديثة مثل التعاون بين الروبوتات المتعددة وجدولة الموارد. يجب على صانعي القرار تخصيص الكيانات للمهام بشكل معقول عبر سيناريوهات مختلفة. ومع ذلك، تفترض الأساليب التقليدية وجود سمات وأعداد ثابتة من المهام والكيانات، وغالبًا ما تعتمد على البرمجة الديناميكية والخوارزميات الهندسية للحصول على الحلول. في الواقع، يشبه تخصيص المهام عمليات اتخاذ القرار ماركوف، مع سمات المهام والكيانات التي تتغير ديناميكيًا. لذلك، يجب أن تقوم الخوارزميات بتخصيص المهام ديناميكيًا بناءً على حالتها. لمعالجة هذه القضية، نقترح خوارزمية تخصيص مهام من مرحلتين تعتمد على التشابه، مستخدمين التعلم المعزز لتعلم استراتيجيات التخصيص. تسمح الاستراتيجية المقترحة للتخصيص المسبق للكيانات باختيار المهام المناسبة مسبقًا، مما يتجنب فعليًا الأمثل المحلي وبالتالي يجد تخصيصًا أفضل. نقدم أيضًا آلية انتباه وبنية شبكة هايبر بارامتر للتكيف مع الأعداد والسمات المتغيرة للكيانات والمهام، مما يمكّن هيكل شبكتنا من التعميم إلى مهام جديدة. تظهر النتائج التجريبية عبر بيئات متعددة أن خوارزميتنا تعالج بشكل فعال تحديات تخصيص المهام الديناميكي في التطبيقات العملية. مقارنة بالخوارزميات الهندسية مثل الخوارزميات الجينية، فإن نهجنا القائم على التعلم المعزز يحل بشكل أفضل مشكلات التخصيص الديناميكي ويحقق تعميمًا بدون مثال لمهام جديدة بأداء جيد. الشيفرة متاحة على https://github.com/yk7333/TaskAllocation.
قام جونغ وآخرون (يوم السبت) بدراسة هذا السؤال.