حل مساله زمانبندی تولید با بهره گیری از یادگیری تقویتی عمیق

پویایی بازارهای معاصر و چرخه های عمر کوتاه، محصولات تولیدکنندگان را با چالش های بنیادین در حوزه زمان بندی مواجه ساخته است. در این زمینه زمان بندی باید نه تنها کارایی کلی سیستم تولیدی را بهبود بخشد بلکه سطح بالای نرخ تحقق را در سطح کارگاه نیز تضمین کند. با این حال تدوین قوانین اعزام که قادر به تحقق همزمان این اهداف باشند به تخصص و تجربه عمیق نیازمند است و فرآیندی زمان بر و خطاپذیر محسوب می شود. این وابستگی به نیروی انسانی ضرورت توسعه رویکردهای خودکار را برجسته می سازد. برای پاسخ به این چالش، یادگیری تقویتی عمیق [۱] با اتکا به شبکه های عصبی عمیق رویکردی نویدبخش معرفی شده است. با این حال معماری های متعارف DNN در استخراج و پردازش ویژگی های کیفی پیچیده زمان بندی مانند ترتیب اجرای عملیات یا وابستگی های ساختاری میان عملیات و منابع ناکارآمدند.[۲] این محدودیت موجب می شود که نتوانند قوانینی تولید کنند که هم نیازهای مدیریتی کلان و هم قیود عملیاتی کارگاه را برآورده سازند. در این پژوهش، مدلی نوین از DNN ارائه می شود که داده های عددی و غیر عددی را به طور هم زمان پردازش می کند. رویکرد پیشنهادی با به کارگیری شبکه های عصبی کانولوشنی گراف [۳] زمان بندی ها را در قالب گراف های جهت دار بازنمایی می کند به گونه ای که داده های کمی به صورت ویژگی های گره ها و داده های کیفی به صورت یال های جهت دار مدل سازی می شوند. GCNN از طریق انتشار پیام و عملیات کانولوشن این داده ها را به بردارهای ویژگی غنی تبدیل کرده و آن ها را در یادگیری سیاست های اعزام به کار می گیرد. نتایج تجربی نشان می دهد که مدل پیشنهادی نسبت به معماری های مرسوم عملکرد برتری دارد و قادر است به طور خودکار قوانینی استخراج کند که به بهبود کارایی کلان سیستم و افزایش نرخ تحقق در کارگاه ها منجر شود. این دستاورد می تواند گامی موثر در مسیر خودکارسازی زمان بندی تولید محسوب گردد.

کلیدواژه ها:

زمان بندی تولید ، یادگیری تقویتی عمیق ، شبکه های عصبی عمیق ، شبکه های کانولوشنی ، گراف ، قوانین اعزام ، بهینه سازی