Reinforcement learning based solution approaches to static and dynamic machine scheduling problems
Statik ve dinamik makine çizelgeleme problemlerine pekiştirmeli öğrenme tabanlı çözüm yaklaşımları
- Tez No: 774394
- Danışmanlar: DOÇ. DR. GÖKALP YILDIZ
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 256
Özet
Bu tez, statik/deterministik ve dinamik/stokastik makine çizelgeleme problemlerine pekiştirmeli öğrenme tabanlı çözüm yaklaşımları önerir ve üç aşamadan oluşur. İlk aşamada, pekiştirmeli öğrenme yönteminin temel yönlerini incelemek ve literatürdeki eksiklikleri ve gelecek vaat eden alanları ortaya çıkarmak için makine çizelgeleme problemlerine pekiştirmeli öğrenme uygulamaları hakkında kapsamlı bir literatür taraması yapılmıştır. Ardından, ilgili literatür, uygulanan algoritmalar, makine ortamları, iş ve makine özellikleri, amaç fonksiyonları ve kıyaslama yöntemlerine göre detaylı bir şekilde incelenmiş ve incelemenin temel bulguları ve ilgili literatürdeki boşluklar tartışılmıştır. İkinci aşamada, pekiştirmeli öğrenme yöntemi statik/deterministik ilişkisiz paralel makine ve hibrit akış tipi atölye çizelgeleme problemlerine uygulanmıştır. Önerilen yöntemlerin performansları, literatürdeki kıyaslama problemleriyle karşılaştırılmıştır. Üçüncü aşamada, dinamik/stokastik hibrit akış tipi atölye çizelgeleme problemlerine pekiştirmeli öğrenme yöntemi uygulanmış ve genel bir simülasyon modeli geliştirilmiştir. Bu aşamada öncelikle, seçilen dağıtım kurallarının çeşitli amaç fonksiyonlarına göre performansları analiz edilmiş ve her bir amaç fonksiyonu altında en iyi dağıtım kuralları özetlenmiştir. Daha sonra, ortalama akış süresini ve gecikmeyi en aza indirmek için dinamik/stokastik hibrit akış tipi atölye çizelgeleme problemlerine pekiştirmeli öğrenme algoritması uygulandı. Son olarak, önerilen yöntemin performansı değerlendirilmiş ve seçilen dağıtım kuralları ile karşılaştırılmıştır.
Özet (Çeviri)
This dissertation proposes Reinforcement Learning (RL) based solution approaches to static/deterministic and dynamic/stochastic machine scheduling problems, and it consists of three phases. In the first phase, a comprehensive literature review about the RL applications to machine scheduling problems was conducted to examine the essential aspects of the RL method and to reveal the deficiencies and promising areas in the literature. Then, the related literature was analyzed in detail according to applied algorithms, machine environments, job and machine characteristics, objective functions, and benchmark methods, and the essential findings of the review and the gaps in the related literature were discussed. In the second phase, the RL method was applied to static/deterministic unrelated parallel machine and hybrid flow shop scheduling problems. The performances of the proposed methods were compared with benchmark problems from the literature. In the third phase, the RL method was applied to the dynamic/stochastic hybrid flow shop scheduling problems, and a generic simulation model was developed. In this phase, first, the performances of the selected dispatching rules according to various objective functions were analyzed, and the best dispatching rules under each objective function were summarized. Later, the RL algorithm was applied to dynamic/stochastic hybrid flow shop scheduling problems to minimize mean flow time and tardiness. Finally, the performance of the proposed method was evaluated and compared with the selected dispatching rules.
Benzer Tezler
- Investigating deep reinforcement learningfor static optimization in optical networks
Başlık çevirisi yok
EMRE FURKAN MERCAN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPolitecnico di MilanoPROF. MASSİMO TORNATORE
PROF. FRANCESCO MUSUMECİ
- Mobil nesnelerin interneti için yeni nesil hücresel ağ tabanlı ağ dilimleme
Next generation cellular network based network slicing for the mobile internet of things
WAFA HAMDI
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN BULUT
PROF. DR. ORHAN DAĞDEVİREN
- Graph theory based traffic light management
Grafik teorisi tabanlı trafik ışığı yöntemi
ADAM RIZVI THAHIR
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. VEHBİ ÇAĞRI GÜNGÖR
DR. ÖĞR. ÜYESİ MUSTAFA COŞKUN
- Hyper-heuristics in dynamic environments
Dinamik ortamlarda üst-sezgiseller
BERNA KİRAZ
Doktora
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞE ŞİMA ETANER UYAR
- Resilient ultra dense networks under UAV coverage for disaster management
Afet yönetiminde İHA'lar ile dayanıklı ultra yoğun ağlar
ELİF BOZKAYA
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BERK CANBERK