QuantumJSP

Quantum Job Shop Planing Problem Solver

Ein heuristischer Ansatz, wie man Jobs mit einem Quantencomputer optimal plant.

Die Veröffentlichung finden Sie hier.

HINWEIS: Eine effizientere Lösung finden Sie in der "Pyqubo" -Ast.
(funktioniert extrem langsam, während Sie Simulation anstelle von echtem QPU verwenden.)

Inhaltsverzeichnis

• Über das Projekt
• Erste Schritte
  • Voraussetzungen
  • Installation
  • Schneller Start
• Wie man unsere Arbeit zitiert

Über das Projekt

Hinweis: Zahlen in Balken repräsentieren Jobs

Wie sollten wir angesichts einer Reihe von Jobs und einer begrenzten Anzahl von Maschinen unsere Jobs auf diesen Maschinen planen, sodass alle unsere Jobs zum frühestmöglichen Zeitpunkt erledigt sind? Diese Frage ist das Problem der Job Shop -Planung!

Erste Schritte

Voraussetzungen

• Python 3.5 oder später
• Matplotlib (zur Ergebnisvisualisierung in Diagramme.py)

 pip3 install matplotlib

• Die Bibliotheken von D'Wave für die Interaktion mit QPU API https://docs.ocean.dwavesys.com/en/latest/overview/install.html

Installation

Hinweis: Wenn Sie mit einem Simulator anstelle eines echten QPU einverstanden sind, springen Sie zu Teil 3.

1. Holen Sie sich kostenlose API-Schlüssel unter https://www.dwavesys.com/take-leap
2. Konfigurieren Sie einen Löser unter https://docs.ocean.dwavesys.com/en/latest/overview/dwavesys.html#dwavesysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysysock.
3. Klonen Sie das Repo

 git clone https://github.com/mareksubocz/QuantumJSP

Schneller Start

 python3 demo.py data/ft06.txt

Wie man unsere Arbeit zitiert

Kurowski K., Wȩglarz J., Subocz M., Różycki R., Waligóra G. (2020) Hybrid Quantum Annealing Heuristic -Methode zur Lösung des Problems der Jobgeschäfte. In: Krzhizhanovskaya V. et al. (Hrsg.) Computational Science - ICCS 2020. ICCS 2020. Vorlesungsnotizen in Computer Science, Vol 12142. Springer, Cham. https://doi.org/10.1007/978-3-030-50433-5_39