Job_Shop_Scheduling_Benchmark_Environments_and_Instances

เกณฑ์มาตรฐานการจัดตารางเวลาของร้านค้า: สภาพแวดล้อมและอินสแตนซ์สำหรับการเรียนรู้และวิธีการไม่เรียนรู้

ภาพรวม:

พื้นที่เก็บข้อมูลนี้ให้สภาพแวดล้อมการเปรียบเทียบที่ครอบคลุมสำหรับปัญหาการจัดตารางเวลาของเครื่องจักรที่หลากหลายรวมถึงการจัดตารางเวลาร้านค้างาน (JSP), การจัดตารางเวลา Flow Shop (FSP), การจัดตารางเวลาการจัดตารางเวลาร้านค้าที่ยืดหยุ่น (FJSP), FJSP พร้อมข้อ จำกัด การชุมนุม (FAJSP) มันมีจุดมุ่งหมายที่จะเป็นศูนย์กลางส่วนกลางสำหรับนักวิจัยผู้ปฏิบัติงานและผู้ที่ชื่นชอบที่สนใจในการจัดการกับความท้าทายในการจัดตารางเวลาของเครื่อง

วิธีการแก้ปัญหา:

ที่เก็บประกอบด้วยวิธีการแก้ปัญหาที่แน่นอนฮิวริสติกและการเรียนรู้แต่ละวิธีเข้ากันได้กับตัวแปรปัญหาตารางเวลาหนึ่งตัวขึ้นไป:

วิธีการแก้ปัญหา	พิมพ์	JSP	FSP	FJSP	FJSP SDST	Fajsp	ออนไลน์ (f) jsp
MILP	ที่แน่นอน
CP-SAT	ที่แน่นอน
กฎการจัดส่ง	เกี่ยวกับการแก้ปัญหา
อัลกอริทึมทางพันธุกรรม	เกี่ยวกับการแก้ปัญหา
fjsp-drl	DRL
L2D	DRL
แดเนียล	DRL

วิธีใช้:

ที่นี่เราให้ตัวอย่างสั้น ๆ เกี่ยวกับวิธีการใช้วิธีการแก้ปัญหาในที่เก็บนี้ สำหรับข้อมูลรายละเอียดเพิ่มเติมและตัวอย่างเพิ่มเติมโปรดดูบทเรียนที่นี่และที่นี่

1. กฎการจัดส่ง:

 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. อัลกอริทึมทางพันธุกรรม:

 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 (ตาม 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 )

การวางแผน:

เราให้ฟังก์ชั่นการวางแผนเพื่อดึงทั้งความสัมพันธ์ที่สำคัญกว่าระหว่างการดำเนินงานและแผนภูมิ Gantt สำหรับปัญหาการจัดตารางเวลาร้านค้า:

โครงสร้างที่เก็บ

ที่เก็บมีโครงสร้างเพื่อให้ใช้งานง่ายและมีความยืดหยุ่น:

• กำหนดค่า : มีไฟล์การกำหนดค่าสำหรับวิธีการแก้ปัญหา
• ข้อมูล : มีอินสแตนซ์ปัญหาสำหรับการเปรียบเทียบสำหรับตัวแปรปัญหาที่แตกต่างกัน
• ตัวแยกวิเคราะห์ข้อมูล : ตัวแยกวิเคราะห์สำหรับการกำหนดค่าอินสแตนซ์การเปรียบเทียบในสภาพแวดล้อมการกำหนดเวลา
• การพล็อต : มีฟังก์ชั่นการพล็อตสำหรับการแสดงผลลัพธ์
• สภาพแวดล้อมการจัดตารางเวลา : กำหนดส่วนประกอบสภาพแวดล้อมหลัก ( job , operation , machine และ jobShop ) นอกจากนี้ยังมี simulationEnv สำหรับปัญหาการจัดตารางเวลาแบบไดนามิกกับการมาถึงงานออนไลน์
• วิธีการแก้ปัญหา : มีวิธีการแก้ปัญหารวมถึงวิธีการที่แน่นอนฮิวริสติกและวิธีการเรียนรู้

อ้างอิง

สำหรับข้อมูลรายละเอียดเพิ่มเติมโปรดดูเอกสารของเรา หากคุณใช้ที่เก็บนี้ในการวิจัยของคุณโปรดพิจารณาอ้างถึงบทความต่อไปนี้:

Reijnen, R. , Van Straaten, K. , Bukhsh, Z. , & Zhang, Y. (2023) เกณฑ์มาตรฐานการจัดตารางเวลาของร้านค้า: สภาพแวดล้อมและอินสแตนซ์สำหรับการเรียนรู้และวิธีการที่ไม่ใช่การเรียนรู้ arxiv preprint arxiv: 2308.12794 https://doi.org/10.48550/arxiv.2308.12794

หรือใช้รายการ bibtex ต่อไปนี้:

 @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 }
}

มีการพิมพ์ล่วงหน้าของบทความนี้หรือ arxiv โปรดทราบว่ารุ่นนี้เป็นตัวยึดตำแหน่งและจะได้รับการอัปเดตในไม่ช้าด้วยเวอร์ชันสุดท้าย