Job_Shop_Scheduling_Benchmark_Environments_and_Instances

معيار جدولة متجر العمل: بيئات وحالات للتعلم وعدم التعلم

ملخص:

يوفر هذا المستودع بيئة معايير شاملة لمجموعة متنوعة من مشكلات جدولة الآلات ، بما في ذلك جدولة متجر الوظائف (JSP) ، وجدولة متجر التدفق (FSP) ، وجدولة متاجر الوظائف المرنة (FJSP) ، و FJSP مع قيود التجميع (FAJSP) و FJSP مع أوقات الإعداد المعتمدة على التسلسل (FJSP-SDST) ، و FJSP عبر الإنترنت. يهدف إلى أن يكون مركزًا مركزيًا للباحثين والممارسين والعشاق المهتمين بمعالجة تحديات جدولة الآلات.

طرق الحل:

يتضمن المستودع طرق الحلول الدقيقة والرشيفة والتعلم ، كل منها متوافق مع متغيرات مشكلة جدولة الجهاز أو أكثر:

طرق الحل	يكتب	JSP	FSP	FJSP	FJSP SDST	فاجس	عبر الإنترنت (و) JSP
ميلب	بالضبط
CP-SAT	بالضبط
إرسال القواعد	إرشادي
خوارزمية وراثية	إرشادي
FJSP-DRL	DRL
L2D	DRL
دانيال	DRL

كيفية استخدام:

نحن هنا نقدم بعض الأمثلة القصيرة حول كيفية استخدام طرق الحل في هذا المستودع. لمزيد من المعلومات التفصيلية والمزيد من الأمثلة ، يرجى الرجوع إلى البرامج التعليمية هنا وهنا.

1. قواعد إرسال:

 from solution_methods . dispatching_rules import run_dispatching_rules
from solution_methods . helper_functions import load_job_shop_env , load_parameters

parameters = load_parameters ( "configs/dispatching_rules.toml" )
jobShopEnv = load_job_shop_env ( parameters [ 'instance' ]. get ( 'problem_instance' ))

makespan , jobShopEnv = run_dispatching_rules ( jobShopEnv , ** parameters )

2. الخوارزمية الجينية:

 from solution_methods . helper_functions import load_job_shop_env , load_parameters
from solution_methods . GA . run_GA import run_GA
from solution_methods . GA . src . initialization import initialize_run

parameters = load_parameters ( "configs/genetic_algorithm.toml" )
jobShopEnv = load_job_shop_env ( parameters [ 'instance' ]. get ( 'problem_instance' ))

population , toolbox , stats , hof = initialize_run ( jobShopEnv , ** parameters )
makespan , jobShopEnv = run_GA ( jobShopEnv , population , toolbox , stats , hof , ** parameters )  

3. L2D (المستند إلى DRL):

 from solution_methods . L2D . src . run_L2D import run_L2D
from solution_methods . helper_functions import load_job_shop_env , load_parameters
 
parameters = load_parameters ( "configs/L2D.toml" )
jobShopEnv = load_job_shop_env ( parameters [ 'instance' ]. get ( 'problem_instance' ))
makespan , jobShopEnv = run_L2D ( jobShopEnv , ** parameters )

التآمر:

نحن نقدم وظائف التخطيط لرسم كل من العلاقات الأسبقية بين العمليات ومخطط Gantt لمشاكل جدولة متجر العمل:

هيكل المستودع

تم تنظيم المستودع لتوفير سهولة الاستخدام والمرونة:

• التكوينات : يحتوي على ملفات التكوين لطرق الحل.
• البيانات : يحتوي على مثيلات المشكلة لقياس المتغيرات المختلفة للمشاكل.
• محلات البيانات : محلات لتكوين مثيلات القياس في بيئة الجدولة.
• التآمر : يحتوي على وظائف التخطيط لتصور النتائج.
• بيئة الجدولة : تحدد مكونات البيئة الأساسية ( job operation machine وشوب jobShop ). يحتوي أيضًا على simulationEnv لمشاكل الجدولة الديناميكية مع الوافدين على الإنترنت.
• أساليب الحل : يحتوي على طرق الحل ، بما في ذلك الأساليب الدقيقة والرشئة والقائمة على التعلم.

مرجع

لمزيد من المعلومات التفصيلية ، يرجى الرجوع إلى ورقتنا. إذا كنت تستخدم هذا المستودع في بحثك ، فيرجى التفكير في ذكر الورقة التالية:

Reijnen ، R. ، Van Straaten ، K. ، Bukhsh ، Z. ، & Zhang ، Y. (2023). معيار جدولة متجر العمل: البيئات والحالات لتعلم أساليب التعلم وعدم التعلم. Arxiv preprint Arxiv: 2308.12794. https://doi.org/10.48550/arxiv.2308.12794

أو ، باستخدام إدخال bibtex التالي:

 @article { reijnen2023job ,
  title = { Job Shop Scheduling Benchmark: Environments and Instances for Learning and Non-learning Methods } ,
  author = { Reijnen, Robbert and van Straaten, Kjell and Bukhsh, Zaharah and Zhang, Yingqian } ,
  journal = { arXiv preprint arXiv:2308.12794 } ,
  year = { 2023 }
}

تتوفر مجموعة مسبقة من هذه الورقة أو Arxiv. يرجى ملاحظة أن هذا الإصدار هو عنصر نائب ، وسيتم تحديثه بشكل قصير مع الإصدار النهائي.