A Memetic Algorithm with Reinforcement Learning for Sociotechnical Production Scheduling

要約

次の記事では、実用指向の二重リソース制約付き柔軟なジョブ ショップ スケジューリング問題 (DRC-FJSSP) を解決するための深層強化学習 (DRL) を適用したミーム アルゴリズムを紹介します。
近年、DRL 技術に関する広範な研究が行われていますが、現実的で柔軟かつ人間中心の現場は考慮されていません。
研究ギャップは、サービス レベルの高い中規模企業でよく見られる、受注生産指向の不連続製造の状況で特定できます。
この分野の実際の産業プロジェクトから、柔軟な機械、人間の作業者と能力、セットアップと処理操作、材料の到着時間、部品表 (BOM) 製造のための並行タスクを含む複雑なジョブ パス、順序に依存するセットアップ時間などを描写するための要件を認識しています。
そして（部分的に）自動化されたタスク。
一方で、DRC-FJSSP の文脈におけるメタヒューリスティックについては集中的な研究が行われています。
しかし、社会工学的な生産および組立プロセスに総合的に適用できる、適切で汎用的なスケジューリング方法が不足しています。
この論文では、最初に、前述の実際的な要件によって引き起こされる拡張 DRC-FJSSP を定式化します。
次に、複数基準最適化のための並列コンピューティングを備えたハイブリッド フレームワークの提案を示します。
実世界のデータを用いた数値実験を通じて、このフレームワークが効率的かつ確実に実現可能なスケジュールを生成することを確認します。
ランダム操作の代わりに DRL を利用すると、より良い結果が得られ、従来のアプローチよりも優れたパフォーマンスが得られます。

要約(オリジナル)

The following article presents a memetic algorithm with applying deep reinforcement learning (DRL) for solving practically oriented dual resource constrained flexible job shop scheduling problems (DRC-FJSSP). In recent years, there has been extensive research on DRL techniques, but without considering realistic, flexible and human-centered shopfloors. A research gap can be identified in the context of make-to-order oriented discontinuous manufacturing as it is often represented in medium-size companies with high service levels. From practical industry projects in this domain, we recognize requirements to depict flexible machines, human workers and capabilities, setup and processing operations, material arrival times, complex job paths with parallel tasks for bill of material (BOM) manufacturing, sequence-depended setup times and (partially) automated tasks. On the other hand, intensive research has been done on metaheuristics in the context of DRC-FJSSP. However, there is a lack of suitable and generic scheduling methods that can be holistically applied in sociotechnical production and assembly processes. In this paper, we first formulate an extended DRC-FJSSP induced by the practical requirements mentioned. Then we present our proposed hybrid framework with parallel computing for multicriteria optimization. Through numerical experiments with real-world data, we confirm that the framework generates feasible schedules efficiently and reliably. Utilizing DRL instead of random operations leads to better results and outperforms traditional approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google