Atölye tipi üretim ortamında işlerin çizelgelenmesinde toplam tamamlanma zamanının en küçüklenmesine dayalı bir sinirsel ağ yaklaşımı

A minimizing total completion time based neural network approach for job shop scheduling

Özet

Yapay zeka tekniklerinden olan sinirsel ağlar, öğrenme, durumlardan çıkarsamalar yapabilme yetenekleri ve özellikle de bilginin paralel işlenebilmesi niteliği sayesinde çoğu NP-zor kapsamına giren eniyileme problemlerinin çözümü için bir alternatif yaklaşım olmuştur. Bu çalışmada, NP-zor sınıfına giren atölye tipi üretim ortamında işlerin çizelgelenmesi problemi Hopfield sinirsel ağı üzerinde yapılandırılmıştır. Problem, tüm işlerin toplam tamamlanma zamanını en küçükleyecek ve ilgili kısıtları sağlayacak biçimde bir enerji fonksiyonu ile tanımlanmıştır. Amaç, hızlı bir şekilde paralel dağıtılmış işleme yeteneklerinden yararlanarak kabul edilebilir olası çizelgeler oluşturmaktır. Önerilen yapı, iş ve makine sayısı yönüyle farklı örnek problemler üzerinde yapılandırılmış ve çözüm aranmıştır.

Abstract

Neural networks, one of the promising approaches of artificial intelligence techniques, due to having the ability of learning, generalizing from situations and especially characteristic of parallel distributed processing, have become an alternative approach for solving the class of NP-hard optimization problems. In this study, job shop scheduling problem, considered as a NP-hard optimizatoin problem, has been mapped onto Hopfıeld neural network. Basically, problem has been defined by an energy function satisfying the objective of the minimizing the total completion time of all jobs and other related constraints. The aim is to form an acceptable possible schedules in a fast way by using the ability of parallel processing. The proposed framework has been tested on example problems consisting of different numbers of jobs and machines.