Approccio DRL per la Programmazione Flessibile dei Job Shop con Arrivi Casuali
Un nuovo articolo propone un metodo di apprendimento per rinforzo profondo (DRL) basato su eventi per risolvere il problema della programmazione flessibile dei job shop (FJSP) con arrivi casuali di job. L'approccio utilizza l'algoritmo Proximal Policy Optimization e percettroni multistrato leggeri per addestrare un agente che minimizza il tempo di completamento totale. La rappresentazione dello stato è direttamente accessibile dall'ambiente e l'agente seleziona tra regole di dispacciamento consolidate. Le simulazioni dimostrano che l'approccio DRL supera le singole regole di dispacciamento su dataset con eterogeneità e tassi di arrivo variabili. L'articolo è disponibile su arXiv.
Fatti principali
- L'articolo affronta il problema della programmazione flessibile dei job shop (FJSP) con arrivi casuali di job.
- Propone un approccio di apprendimento per rinforzo profondo (DRL) basato su eventi.
- Viene utilizzato l'algoritmo Proximal Policy Optimization.
- Percettroni multistrato leggeri addestrano l'agente DRL.
- L'obiettivo è minimizzare il tempo di completamento totale di tutti i job.
- La rappresentazione dello stato è direttamente accessibile dall'ambiente.
- L'agente seleziona da un insieme di regole di dispacciamento consolidate.
- Le simulazioni mostrano che l'approccio DRL supera le singole regole di dispacciamento.
Entità
Istituzioni
- arXiv