Άμεσοι Αλγόριθμοι για Προβλήματα Χωροθέτησης Υποβοηθούμενοι από Τεχνικές Μάθησης

Πατρής Νικόλαος; Patris Nikolaos

dc.contributor.author	Πατρής Νικόλαος	el
dc.contributor.author	Patris Nikolaos	en
dc.date.accessioned	2022-02-09T08:13:57Z
dc.date.available	2022-02-09T08:13:57Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54596
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22294
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Άμεσοι Αλγόριθμοι,	el
dc.subject	Λόγος Ανταγωνιστικότητας	el
dc.subject	Πρόβλημα Χωροθέτησης Εγκαταστάσεων	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Μαντείο	el
dc.subject	Πρόβλεψη	el
dc.subject	Online Algorithms	el
dc.subject	Competitive Ratio	el
dc.subject	Facility Location Problem	el
dc.subject	Machine Learning	el
dc.subject	Oracle	el
dc.subject	Prediction	el
dc.title	Άμεσοι Αλγόριθμοι για Προβλήματα Χωροθέτησης Υποβοηθούμενοι από Τεχνικές Μάθησης	el
heal.type	bachelorThesis
heal.classification	Computer Science	en
heal.classification	Algorithms	en
heal.classification	Αλγόριθμοι	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-15
heal.abstract	Στην παρούσα διπλωματική μελετάμε μια νέα εκδοχή του άμεσου προβλήματος χωροθέτησης. Το συγκεκριμένο πρόβλημα αποτελεί ένα κλασικό πρόβλημα συνδυαστικής βελτιστοποίησης και αποτελεί αντικείμενο έντονης ερευνητικής μελέτης τις τελευταίες δεκαετίες. Ωστόσο, οι ραγδαίες εξελίξεις στον τομέα της μηχανικής μάθησης οδήγησαν στην δημιουργία ενός νέου πεδίου έρευνας όπου πέραν της άμεσης φύσης των δεδομένων, υποθέτουμε την ύπαρξη ενός μαντείου προβλέψεων. Οι προβλέψεις παρέχουν επιπρόσθετη πληροφορία, την οποία εκμεταλλεύονται οι αλγόριθμοι προκειμένου να ξεπεράσουν τα κλασικά φράγματα του λόγου ανταγωνιστικότητας. Στην νέα εκδοχή - υποβοηθούμενη από μηχανική μάθηση - διατυπώνουμε έναν αλγόριθμο που συνδυάζει τις ενδεχομένως ατελείς προβλέψεις του μαντείου και πετυχαίνει σταθερό λόγο ανταγωνιστικότητας. Επιπλέον, διατυπώνουμε τα απαραίτητα κάτω φράγματα που αποδεικνύουν τόσο την καταλληλότητα του μαντείου όσο και την αδυναμία άλλων σφαλμάτων να οδηγήσουν σε σταθερό λόγο ανταγωνιστικότητας.	el
heal.abstract	In this dissertation we study a new version of the Online Facility Location problem, which is a classic combinatorial optimization problem extensively studied in the past decades. However, the recent rapid developments in the field of Machine Learning have led to the birth of a new field called learning augmented algorithms. Apart from the online fashion of the input, an oracle provides additional information to the algorithm, concerning the sequence of input items. This additional information, termed advice, can boost the performance of the algorithm, which is reflected in better competitive ratios. Based on this model of computation - learning augmented model- we present an algorithm for the online facility location problem which incorporates the possible imperfect advices provided by the oracle and achieves constant competitive ratio. We complement the analysis with the statements proving the appropriateness of the oracle and the inability of other errors to achieve constant competitive ratio.	en
heal.advisorName	Φωτάκης, Δημήτρης
heal.committeeMemberName	Παγουρτζής, Αριστείδης	el
heal.committeeMemberName	Αγγελόπουλος, Σπυρίδων	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.	el
heal.fullTextAvailability	false