Job_Shop_Scheduling_Benchmark_Environments_and_Instances

Benchmark de planification des magasins d'emploi: environnements et instances d'apprentissage et de méthodes de non-apprentissage

Aperçu:

Ce référentiel fournit un environnement d'analyse comparative complète pour une variété de problèmes de planification des machines, notamment la planification des ateliers d'emploi (JSP), la planification de l'atelier de flux (FSP), la planification flexible des ateliers d'emploi (FJSP), le FJSP avec des contraintes d'assemblage (FAJSP), le FJSP avec des temps de mise en ligne dépendants en ligne (FJSP-SDST) et le FJSP en ligne (avec des arrives en ligne). Il vise à être un centre centralisé pour les chercheurs, les praticiens et les amateurs intéressés à relever les défis de la planification des machines.

Méthodes de solution:

Le référentiel comprend des méthodes de solution exact, heuristique et basée sur l'apprentissage, chacune compatible avec une ou plusieurs variantes de problèmes de planification de la machine:

Méthodes de solution	Taper	Jsp	FSP	Fjsp	FJSP SDST	Fajsp	En ligne (f) jsp
Milp	Exact
Cp-sat	Exact
Règles de distribution	Heuristique
Algorithme génétique	Heuristique
FJSP-DRL	DRL
L2d	DRL
Daniel	DRL

Comment utiliser:

Ici, nous fournissons quelques courts exemples sur la façon d'utiliser les méthodes de solution dans ce référentiel. Pour des informations plus détaillées et plus d'exemples, veuillez vous référer aux tutoriels ici et ici.

1. Règles de répartition:

 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. Algorithme génétique:

 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 (basé sur 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 )

Traçage:

Nous fournissons des fonctions de complot pour établir à la fois les relations de priorité entre les opérations et le tableau Gantt pour les problèmes de planification de l'atelier:

Structure de référentiel

Le référentiel est structuré pour fournir une facilité d'utilisation et une flexibilité:

• Configs : contient les fichiers de configuration des méthodes de solution.
• Données : contient les instances de problème pour l'analyse comparative pour différentes variantes de problème.
• Analyseurs de données : analyseurs pour configurer les instances de benchmarking dans l'environnement de planification.
• Plotage : contient les fonctions de traçage pour visualiser les résultats.
• Environnement de planification : définit les composants de l'environnement central ( job , operation , machine et jobShop ). Contient également la simulationEnv pour les problèmes de planification dynamique avec les arrivées en ligne.
• Méthodes de solution : contient les méthodes de solution, y compris les approches exactes, heuristiques et basées sur l'apprentissage.

Référence

Pour des informations plus détaillées, veuillez vous référer à notre article. Si vous utilisez ce référentiel dans votre recherche, veuillez envisager de citer l'article suivant:

Reijnen, R., Van Straaten, K., Bukhsh, Z., et Zhang, Y. (2023). Benchmark de planification des magasins d'emplois: environnements et instances pour l'apprentissage et les méthodes de non-apprentissage. ARXIV PRÉALLAGE ARXIV: 2308.12794. https://doi.org/10.48550/arxiv.2308.12794

Ou, en utilisant l'entrée Bibtex suivante:

 @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 }
}

Une préimpression de ce document est disponible ou arxiv. Veuillez noter que cette version est un espace réservé et sera mise à jour courte avec la version finale.