FenixEdu™

Dissertação

{pt_PT=Reinforcement Learning for Job Shop Scheduling Problems} {} EVALUATED

Detalhes: {pt=Está a decorrer uma revolução na forma como as indústrias funcionam. A grande abundância de dados e o crescimento exponencial do poder computacional desencadearam o potencial da Inteligência Artificial. Esta nova ferramenta poderosa ganhou popularidade com o aparecimento da Indústria 4.0 e promete tornar as fábricas inteligentes, mais produtivas e eficientes. O método proposto nesta tese aplica Deep Q-Learning para criar um sistema inteligente capaz de resolver o Dual Resource Constrained Flexible Job Shop Scheduling Problem. Uma nova arquitetura de rede neural Encoder-Decoder com Mecanismo de Atenção é apresentada. Esta arquitetura permite que a rede seja alimentada com informações de problemas mais completas e significativas, além de ter comandos de saída mais precisos e poderosos. Para diminuir o custo computacional desta técnica, os comandos de saída são selecionados como nas arquiteturas Pointer Networks. O agente desenvolvido alcançou resultados promissores, mesmo tendo sido treinado limitadamente. Estes resultados mostram que, com uma implementação otimizada do método e um procedimento de treino mais completo, esta técnica tem o potencial de competir com os atuais algoritmos meta-heurísticos de última geração na solução deste tipo de problema. Finalmente, o trabalho futuro a desenvolver pode consistir em colocar restrições adicionais ao problema para aplicação na indústria. A possibilidade de haver tempos de processamento diferentes para a mesma operação, dependendo do par de recursos alocado, é discutida. Além disso, um conceito redesenhado do método proposto é apresentado., en=There is a revolution going on in the way industries work. The large abundance of data and the exponential growth of computational power have unchained Artificial Intelligence’s potential. This new powerful tool gained popularity amidst the advent of Industry 4.0 and comes with the promise of making factories smart, more productive and efficient. The method proposed in this thesis applies Deep Q-Learning to create an intelligent system capable of solving the Dual Resource Constrained Flexible Job Shop Scheduling Problem. A novel Encoder-Decoder neural network architecture with Attention Mechanism is presented. This architecture allows the network to be fed more thorough and meaningful problem information, as well as having more precise and powerful output commands. In order to diminish the computational cost of this technique, the output commands are selected as in Pointer Networks architectures. The agent developed achieved promising results, even having just been scarcely trained. These results show that, with an optimized implementation of the method and a more thorough training procedure, this technique holds the potential of challenging current state-of-the-art meta-heuristic algorithms in solving this kind of problems. Finally, future work might consist in adding additional constraints to the problem for application in the Industry. The possibility of having different processing times for the same operation, depending on the allocated resource pair, is discussed. Also, a redesigned concept of the proposed method is presented.}
Keywords: {pt=Job-Shop Scheduling, Aprendizagem por Reforço, Deep Q-Learning, Encoder-Decoder, Mecanismo de Atenção, Pointer Networks, en=Job-Shop Scheduling, Reinforcement Learning, Deep Q-Learning, Encoder-Decoder, Attention Mechanism, Pointer Networks}

Discussão: janeiro 22, 2021, 16:0