Real-time production scheduling using a deep reinforcement learning-based multi-agent approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the real-time scheduling (RTS) research field, it has been shown that employing multiple dispatching rules (MDRs) for the components in a flexible manufacturing system will improve production performance much more than a single dispatching rule (SDR). To fulfill the goal of Industry 4.0 in production control and improve production performance, this study deploys a deep reinforcement learning-based multi-agent (DRLBMA) approach for real-time scheduling. The proposed approach uses the MDRs strategy by integrating two main methodologies: an off-line learning module and a Deep Q-learning-based multi-agent module. The proposed method employs a two-level self-organizing map (SOM) to determine the system’s states. The proposed methodology determines the best MDRs decision. The approach is applied to a case study of a smart manufacturing system. The results of the proposed method are compared to different scheduling strategies, such as reinforcement learning (RL)-based real-time scheduling, two-level self-organized map (SOM), and continuous rescheduling using a single dispatching rule, such as earliest due date (EDD), shortest processing time (SPT), and longest processing time (LPT). The findings reveal that, in terms of the total weighted tardiness, throughput, and mean cycle time performance criteria, the proposed DRLBMA-based real-time scheduling is more efficient than these scheduling strategies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle