清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

A deep multi-agent reinforcement learning approach to solve dynamic job shop scheduling problem

强化学习 计算机科学 动态优先级调度 调度(生产过程) 两级调度 公平份额计划 流水车间调度 单调速率调度 分布式计算 作业车间调度 固定优先级先发制人调度 人工智能 工业工程 数学优化 计算机网络 工程类 数学 布线(电子设计自动化) 服务质量
作者
Renke Liu,Rajesh Piplani,Carlos Toro
出处
期刊:Computers & Operations Research [Elsevier]
卷期号:159: 106294-106294 被引量:12
标识
DOI:10.1016/j.cor.2023.106294
摘要

Manufacturing industry is experiencing a revolution in the creation and utilization of data, the abundance of industrial data creates a need for data-driven techniques to implement real-time production scheduling. However, existing dynamic scheduling techniques have been mainly developed to solve problems of invariable size, and are incapable of addressing the increasing volatility and complexity of practical production scheduling problems. To facilitate near real-time decision-making on the shop floor, we propose a deep multi-agent reinforcement learning-based approach to solve the dynamic job shop scheduling problem. Double deep Q-network algorithm, attached to decentralized scheduling agents, is used to learn the relationships between production information and scheduling objectives, and to make near real-time scheduling decisions. Proposed framework utilizes centralized training and decentralized execution scheme and parameter-sharing technique to tackle the non-stationary problem in the multi-agent reinforcement learning task. Several enhancements are also developed, including the novel state and action representation that can handle size-agnostic dynamic scheduling problems, a chronological joint-action framework to alleviate the credit-assignment difficulty, and knowledge-based reward-shaping techniques to encourage cooperation. Simulation study shows that the proposed architecture significantly improves the learning effectiveness, and delivers superior performance compared to existing scheduling strategies and state-of-the-art deep reinforcement learning-based dynamic scheduling approaches.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
11秒前
稀松完成签到,获得积分10
12秒前
15秒前
陌子完成签到 ,获得积分10
19秒前
zjq完成签到 ,获得积分10
26秒前
32秒前
飞云完成签到 ,获得积分10
42秒前
铁妹儿完成签到 ,获得积分10
55秒前
SHD完成签到 ,获得积分10
1分钟前
煜琪完成签到 ,获得积分10
1分钟前
高贵逍遥完成签到 ,获得积分10
1分钟前
wyh295352318完成签到 ,获得积分10
1分钟前
jie完成签到 ,获得积分10
1分钟前
さくま完成签到,获得积分10
1分钟前
啥时候能早睡完成签到 ,获得积分10
1分钟前
dbdxyty完成签到,获得积分10
2分钟前
沉香如兰完成签到,获得积分10
2分钟前
幸福安康完成签到 ,获得积分10
2分钟前
mark33442完成签到,获得积分10
2分钟前
qq完成签到 ,获得积分10
2分钟前
潇潇雨歇完成签到,获得积分10
2分钟前
2分钟前
2分钟前
洁净的盼易完成签到 ,获得积分10
2分钟前
枫林摇曳完成签到 ,获得积分10
2分钟前
葫芦芦芦完成签到 ,获得积分10
2分钟前
魔幻的慕梅完成签到 ,获得积分10
2分钟前
成就的笑南完成签到 ,获得积分10
3分钟前
wujiwuhui完成签到 ,获得积分10
3分钟前
温婉的人雄完成签到,获得积分10
3分钟前
xzy998应助依居采纳,获得10
3分钟前
zz完成签到 ,获得积分10
3分钟前
依居完成签到,获得积分10
3分钟前
MISA完成签到 ,获得积分10
3分钟前
loga80完成签到,获得积分0
3分钟前
4分钟前
中中中发布了新的文献求助10
4分钟前
XKINGLEE完成签到 ,获得积分10
4分钟前
Sun1c7完成签到,获得积分10
4分钟前
中中中完成签到,获得积分10
4分钟前
高分求助中
좌파는 어떻게 좌파가 됐나:한국 급진노동운동의 형성과 궤적 2500
Sustainability in Tides Chemistry 1500
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Cognitive linguistics critical concepts in linguistics 800
Threaded Harmony: A Sustainable Approach to Fashion 799
Livre et militantisme : La Cité éditeur 1958-1967 500
氟盐冷却高温堆非能动余热排出性能及安全分析研究 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3052630
求助须知:如何正确求助?哪些是违规求助? 2709863
关于积分的说明 7418232
捐赠科研通 2354395
什么是DOI,文献DOI怎么找? 1246007
科研通“疑难数据库(出版商)”最低求助积分说明 605951
版权声明 595921