Job_Shop_Scheduling_Benchmark_Environments_and_Instances

Конфликт планирования рабочих мест: среда и экземпляры для обучения и методов не обучения

Обзор:

Этот репозиторий обеспечивает комплексную среду сравнительного анализа для различных проблем с расписанием машин, включая планирование магазинов работ (JSP), планирование магазина потоков (FSP), гибкое планирование магазинов занятостей (FJSP), FJSP с ограничениями сборки (FAJSP), FJSP с последовательным временем настройки (FJSP-SDST) и онлайн FJSP (в онлайн-arspals). Он направлен на то, чтобы стать централизованным центром для исследователей, практиков и энтузиастов, заинтересованных в решении задач планирования машин.

Методы решения:

Репозиторий включает в себя точные, эвристические и методы решения на основе обучения, каждый из которых совместим с одним или несколькими вариантами задачи по планированию машины:

Методы решения	Тип	JSP	FSP	FJSP	FJSP SDST	Fajsp	Онлайн (F) JSP
Мил	Точный
Cp-sat	Точный
Правила отправки	Эвристика
Генетический алгоритм	Эвристика
FJSP-DRL	Доль
L2D	Доль
Даниэль	Доль

Как использовать:

Здесь мы приводим несколько коротких примеров того, как использовать методы решения в этом репозитории. Для получения более подробной информации и дополнительных примеров, пожалуйста, обратитесь к учебным пособиям здесь и здесь.

1. Правила отправки:

 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. Генетический алгоритм:

 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 (DRL на основе):

 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 )

Заговор:

Мы предоставляем функции построения построения, чтобы нарисовать как приоритетные отношения между операциями, так и диаграммой Гантта для проблем с расписанием рабочих мест:

Структура репозитория

Репозиторий структурирован для обеспечения простоты использования и гибкости:

• Конфигурации : содержит файлы конфигурации для методов решения.
• Данные : содержит проблемы с проблемой сравнительного анализа для различных вариантов задачи.
• Проанализ данных : анализаторы для настройки экземпляров сравнения в среде планирования.
• График : содержит функции графика для визуализации результатов.
• Среда планирования : определяет основные компоненты среды ( job , operation , machine и jobShop ). Также содержит simulationEnv для динамических проблем с расписанием с онлайн -приходом работы.
• Методы решения : содержит методы решения, включая точные, эвристические и основанные на обучении подходы.

Ссылка

Для получения более подробной информации, пожалуйста, обратитесь к нашей статье. Если вы используете этот репозиторий в своем исследовании, пожалуйста, рассмотрите возможность сослаться на следующую статью:

Reijnen, R., van Straaten, K., Bukhsh, Z., & Zhang, Y. (2023). Конфликт планирования рабочих мест: среда и экземпляры для обучения и методов обучения. Arxiv Preprint arxiv: 2308.12794. https://doi.org/10.48550/arxiv.2308.12794

Или, используя следующую запись Bibtex:

 @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 }
}

Предварительный прибор этой статьи доступен или arxiv. Обратите внимание, что эта версия является заполнителем и будет обновляться в ближайшее время с окончательной версией.