Enfoque bi-objetivo basado en Aprendizaje Reforzado para Job Shop scheduling

• Beatriz M Méndez-Hernández ^[1] ; Liliana Ortega-Sánchez ^[1] ; Erick D Rodríguez-Bazán ^[1] ; Yailen Martínez-Jiménez ^[1] ; Yunior C Fonseca-Reyna ^[2]
  1. [1] Universidad Central de Las Villas

     Universidad Central de Las Villas

     Cuba

     
  2. [2] Universidad De Granma

     Universidad De Granma

     Cuba

     
• Localización: Revista Cubana de Ciencias Informáticas, ISSN-e 2227-1899, Vol. 11, Nº. 2, 2017
• Idioma: español
• Títulos paralelos:
  • Bi-objective approach based in Reinforcement Learning to Job Shop scheduling
• Enlaces
  • Texto completo
• Resumen
  • español

    Los problemas de secuenciación de tareas requieren organizar en el tiempo la ejecución de tareas que comparten un conjunto finito de recursos, y que están sujetas a un conjunto de restricciones impuestas por diversos factores. Este tipo de problemas aparecen con frecuencia en la vida real en numerosos entornos productivos y de servicios. El problema consiste en optimizar uno o varios criterios que se representan mediante funciones objetivo. En este artículo se analizaron los problemas de secuenciación tipo Job Shop con los principales objetivos a optimizar para este tipo de problemas, seguidamente se propuso un algoritmo desde un enfoque bi-objetivo basado en la Frontera de Pareto y utilizando Aprendizaje Reforzado para optimizar dos de los objetivos analizados, el tiempo de terminación de todos los trabajos y la suma del tiempo de finalización de todos los trabajos, y se aplicó a un conjunto de instancias de prueba. Por último, se describen los resultados satisfactorios obtenidos de acuerdo a dos métricas propuestas en la literatura para la evaluación de algoritmos bi-objetivo.

  • English

    Scheduling problems require organizing the execution of tasks which share a finite set of resources, and these tasks are subject to a set of constrains imposed by different factors. This kind of problems frequently appears in many production and service environments. The problem is to optimize one or more criteria represented by objective functions. In this paper, the main objectives to optimize were analyzed for Job Shop scheduling problems. After that, a bi-objective algorithm was proposed based on the Pareto Front and using Reinforcement Learning, which optimizes two objectives: the makespan and the total flow time, and this algorithm was applied to benchmarks. To finish, successful results of the algorithm are described according to two metrics proposed in the literature.