عنوان فارسی مقاله:اتوماسیون توازن بار برای برنامه ریزی گانت با استفاده از یادگیری تقویتی

چکیده

به طور معمول، در صنعت کشتی سازی، چندین کشتی به طور همزمان ساخته می شوند و یک برنامه تولید از طریق یک فرآیند برنامه ریزی سلسله مراتبی ایجاد می شود. این فرآیند عمدتاً شامل برنامه ریزی استراتژیک (بلند مدت) و برنامه ریزی اصلی (میان مدت) است. بخشی که بیشترین کار دستی برنامه ریز را می طلبد، متعادل کردن بار در مرحله برنامه ریزی اصلی است. موازنه بار برنامه ریزی اصلی حوزه ای است که در آن مطالعات بهینه سازی با استفاده از برنامه نویسی اعداد صحیح مختلط، الگوریتم های ژنتیک، الگوریتم های جستجوی ممنوعه و موارد دیگر به طور فعال در زمینه تحقیقات عملیاتی انجام شده است. با این حال، کاربرد عملی آن به دلیل پیچیدگی و ابعاد، که به کار دستی برنامه ریز وابسته است، موفقیت آمیز نبوده است. بنابراین، روش جدیدی که بتواند عملکرد کارآمد تصمیمات بهینه را تسهیل کند، مورد نیاز است و جایگزین روش‌های معمول برنامه‌ریزی تولید مبتنی بر کار دستی برنامه‌ریز می‌شود. با ظهور چهارمین انقلاب صنعتی در سال‌های اخیر، فناوری یادگیری ماشین مبتنی بر شبکه‌های عصبی عمیق به سرعت در حال توسعه بوده و برای طیف وسیعی از مسائل مهندسی به کار گرفته شده است. این مطالعه روشی را معرفی می‌کند که می‌تواند با استفاده از یک الگوریتم یادگیری تقویتی مبتنی بر شبکه عصبی عمیق در میان تکنیک‌های مختلف یادگیری ماشین، مشکل تعادل بار را در برنامه‌ریزی اصلی کارخانه کشتی‌سازی به سرعت بهبود بخشد. علاوه بر این، هدف ما بررسی امکان‌سنجی روش توسعه‌یافته با استفاده از داده‌های تولید بلوک کشتی یک کارخانه کشتی‌سازی واقعی است(اتوماسیون توازن بار).

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Automation of load balancing for Gantt planning usingreinforcement learning

Abstract

Typically, in the shipbuilding industry, several vessels are built concurrently, and a production plan is established through a hierarchical planning process. This process largely comprises strategic planning (longterm) and master planning (mid-term) aspects. The portion that requires the most manual work of the planner is the load balancing in the master planning stage. The load balancing of master planning is an area where optimization studies using mixed integer programming, genetic algorithms, tabu search algorithms, and others have been actively conducted in the field of operational research. However, its practical application has not been successful due to the complexity and the curse of dimensionality, which is dependent on the manual work of the planner. Therefore, a new method that can facilitate the efficient action of optimal decisions is required, replacing conventional production planning methods based on the manual work of the planner. With the advent of the 4th industrial revolution in recent years, machine learning technology based on deep neural networks has been rapidly developing and applied to a wide range of engineering problems. This study introduces a methodology that can quickly improve the load balancing problem in shipyard master planning by using a deep neural network-based reinforcement learning algorithm among various machine learning techniques. Furthermore, we aim to verify the feasibility of the developed methodology using the ship block production data of an actual shipyard.