Aplicação de redes neurais no problema de sequenciamento de máquinas

Este trabalho analisou a aplicação de redes neurais para estimar um parâmetro de pesquisa k em problemas de sequenciamento de máquinas. Foi explorado o caso de máquina única para minimizar a Average Weighted Tardiness (AWT), ou seja, o atraso médio ponderado. A rede neural estima o parâmetro de pesquisa k para duas heurísticas diferentes, a Average Tardiness Cost (ATC) e a Weighted Processing Time and Minimum Slack (WPT-MS). Para testar a efetividade do método desenvolvido, a rede foi treinada com diferentes números de neurônios na camada oculta, assim como diferentes tamanhos de amostras e de entradas para analisar a influência destes parâmetros em sua efetividade. No total milhões de atividades foram sequenciadas e comparadas com o resultado de um algoritmo de busca exaustiva, e o resultado sugere que a rede neural pode gerar estimativas bastante precisas, variando menos de 1% do valor de benchmark para a AWT. Esse método pode aprimorar o tempo de processamento para empresas que fazem uso intensivo de sequenciamento, pois com a rede neural treinada, o tempo de resposta é muito mais rápido que os algoritmos de busca extensiva, além de se obter um resultado mais preciso do que ao utilizar parâmetros definidos manualmente.

Palavras-chave em Inglês

Back propagation
Heuristics
Neural networks
Optimization
Programming
Scheduling
Search methods

Resumo em Inglês

The objective of this paper is to analyse the application of neural networks to estimate a look-ahead parameter k in scheduling problems. The single machine case was explored in order to minimise the average weighted tardiness. The neural network estimated the look-ahead parameter k for two different heuristics, the ATC rule and the WPT-MS. To test its effectiveness the network was trained using different number of neurons in the hidden layer, sample sizes and inputs. In total millions of jobs were scheduled and benchmarked against an exhaustive search method, the results suggests that the neural network can generate very accurate results, varying less than 1% from the benchmark AWT. This method can improve the time performance for the industry, since after the neural network is trained it have a fast time response than an exhaustive search method and is more accurate than a manually chosen parameter.

Arquivos

AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome(s) do(s) autor(es) do trabalho.

Marmo_JoaoVictor_tcc.pdf (2.20 Mbytes)

Data de Publicação

2018-02-26

Número de visitas

400

Número de downloads

933