Job_Shop_Scheduling_Benchmark_Environments_and_Instances download - Job_Shop_Scheduling_Benchmark_Environments_and

Job_Shop_Scheduling_Benchmark_Environments_and_Instances

Kategori lainnya

1.0.0

Unduh

Benchmark Penjadwalan Toko Pekerjaan: Lingkungan dan contoh untuk metode pembelajaran dan non-pembelajaran

Ringkasan:

Repositori ini menyediakan lingkungan pembandingan yang komprehensif untuk berbagai masalah penjadwalan mesin, termasuk penjadwalan toko pekerjaan (JSP), penjadwalan toko aliran (FSP), penjadwalan toko kerja fleksibel (FJSP), FJSP dengan kendala perakit Ini bertujuan untuk menjadi pusat terpusat bagi para peneliti, praktisi, dan penggemar yang tertarik untuk mengatasi tantangan penjadwalan mesin.

Metode Solusi:

Repositori mencakup metode solusi yang tepat, heuristik dan berbasis pembelajaran, masing -masing kompatibel dengan satu atau lebih varian masalah jadwal mesin:

Metode solusi	Jenis	Jsp	Fsp	Fjsp	FJSP SDST	FAJSP	Online (f) JSP
Milp	Akurat
CP-SAT	Akurat
Aturan pengiriman	Heuristis
Algoritma genetika	Heuristis
FJSP-DRL	Drl
L2d	Drl
Daniel	Drl

Bagaimana menggunakan:

Di sini kami memberikan beberapa contoh singkat tentang cara menggunakan metode solusi dalam repositori ini. Untuk informasi lebih rinci dan lebih banyak contoh, silakan merujuk ke tutorial di sini dan di sini.

Peraturan Pengiriman:

 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 )

Algoritma Genetika:

 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 )

L2D (berbasis 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 )

Merencanakan:

Kami menyediakan fungsi merencanakan untuk menarik hubungan prioritas antara operasi dan grafik gantt untuk masalah penjadwalan toko pekerjaan:

Struktur repositori

Repositori disusun untuk memberikan kemudahan penggunaan dan fleksibilitas:

Konfigurasi : Berisi file konfigurasi untuk metode solusi.
Data : Berisi instance masalah untuk pembandingan untuk varian masalah yang berbeda.
Parser data : Parser untuk mengonfigurasi instance benchmarking di lingkungan penjadwalan.
Plotting : Berisi fungsi plot untuk memvisualisasikan hasil.
Lingkungan Penjadwalan : Menentukan komponen lingkungan inti ( job , operation , machine , dan jobShop ). Juga berisi simulationEnv untuk masalah penjadwalan dinamis dengan kedatangan pekerjaan online.
Metode Solusi : Berisi metode solusi, termasuk pendekatan yang tepat, heuristik, dan berbasis pembelajaran.

Referensi

Untuk informasi lebih rinci, silakan merujuk ke makalah kami. Jika Anda menggunakan repositori ini dalam riset Anda, harap pertimbangkan mengutip makalah berikut:

Reijnen, R., Van Straaten, K., Bukhsh, Z., & Zhang, Y. (2023). Benchmark Penjadwalan Toko Pekerjaan: Lingkungan dan contoh untuk metode pembelajaran dan non-pembelajaran. ARXIV Preprint ARXIV: 2308.12794. https://doi.org/10.48550/arxiv.2308.12794

Atau, menggunakan entri Bibtex berikut:

 @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 }
}