Job_Shop_Scheduling_Benchmark_Environments_and_Instances 다운로드 - Job_Shop_Scheduling_Benchmark_Environments_and

Job_Shop_Scheduling_Benchmark_Environments_and_Instances

기타 카테고리

1.0.0

다운로드

작업장 스케줄링 벤치 마크 : 학습 및 비 학습 방법을위한 환경 및 인스턴스

개요 :

이 저장소는 구인 상점 스케줄링 (JSP), FSP (Flow Shood Scheduling), FJSP (Flexible Job Scheduling), 조립 제약 조건 (FAJSP)이있는 FJSP, 시퀀스 의존성 설정 시간 (FJSP-SDST) 및 온라인 FJSP (온라인 개최)를 포함한 다양한 기계 스케줄링 문제에 대한 포괄적 인 벤치마킹 환경을 제공합니다. 기계 예약 문제를 해결하는 데 관심이있는 연구원, 실무자 및 애호가에게 중앙 집중식 허브가되는 것을 목표로합니다.

솔루션 방법 :

저장소에는 정확하고 휴리스틱 및 학습 기반 솔루션 방법이 포함되어 있으며 각각 하나 이상의 기계 스케줄링 문제 변형과 호환됩니다.

솔루션 방법	유형	JSP	FSP	fjsp	fjsp sdst	fajsp	온라인 (f) JSP
MILP	정확한
CP-SAT	정확한
파견 규칙	휴리스틱
유전자 알고리즘	휴리스틱
fjsp-drl	drl
L2D	drl
다니엘	drl

사용 방법 :

여기서 우리는이 저장소에서 솔루션 방법을 사용하는 방법에 대한 몇 가지 짧은 예를 제공합니다. 자세한 정보와 더 많은 예는 여기 및 여기에서 자습서를 참조하십시오.

파견 규칙 :

 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 )

유전자 알고리즘 :

 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 (DRL 기반) :

 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 )

음모 :

우리는 작업장 스케줄링 문제에 대한 운영 사이의 선행 관계와 Gantt 차트를 모두 그리기위한 플로팅 기능을 제공합니다.

저장소 구조

저장소는 사용 편의성과 유연성을 제공하도록 구성되어 있습니다.

구성 : 솔루션 메소드의 구성 파일이 포함되어 있습니다.
데이터 : 다른 문제 변형에 대한 벤치마킹을위한 문제 인스턴스가 포함되어 있습니다.
데이터 파서 : 스케줄링 환경에서 벤치마킹 인스턴스를 구성하기위한 파서.
플롯 : 결과를 시각화하기위한 플로팅 함수가 포함되어 있습니다.
스케줄링 환경 : 핵심 환경 구성 요소 ( job , operation , machine 및 jobShop )를 정의합니다. 온라인 작업 도착의 동적 일정 문제에 대한 simulationEnv 도 포함되어 있습니다.
솔루션 방법 : 정확한, 휴리스틱 및 학습 기반 접근법을 포함한 솔루션 방법이 포함되어 있습니다.

참조

자세한 내용은 논문을 참조하십시오. 이 저장소를 연구에서 사용하는 경우 다음 논문을 인용하십시오.

Reijnen, R., Van Straaten, K., Bukhsh, Z., & Zhang, Y. (2023). 작업장 스케줄링 벤치 마크 : 학습 및 비 학습 방법을위한 환경 및 인스턴스. Arxiv preprint arxiv : 2308.12794. https://doi.org/10.48550/arxiv.2308.12794

또는 다음 Bibtex 항목을 사용하여 :

 @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 }
}