Enfoque multi-objetivo basado en aprendizaje reforzado para problemas de secuenciación de tareas tipo Job Shop (MOQL)

Vista sencilla de ítem
dc.contributor.advisorMéndez Hernández, Beatriz María
dc.contributor.advisorMartínez Jiménez, Yailen
dc.contributor.authorOrtega Sánchez, Liliana
dc.coverage.spatial1016432en_US
dc.date.accessioned2017-02-01T15:25:42Z
dc.date.available2017-02-01T15:25:42Z
dc.date.issued2014-06-30
dc.description.abstractLos problemas de scheduling requieren organizar en el tiempo la ejecución de tareas que comparten un conjunto finito de recursos, y que están sujetas a un conjunto de restricciones impuestas por diversos factores. Este tipo de problemas aparecen con frecuencia en la vida real en numerosos entornos productivos y de servicios. El problema consiste en optimizar uno o varios criterios que se representan mediante funciones objetivo. En esta investigación se estudia el Job Shop Scheduling con el objetivo de minimizar el makespan, el flow time y el tardiness de los trabajos. El hecho de considerar todos estos objetivos a la vez es el problema de optimización multi-objetivo en estudio. El uso de agentes y de aprendizaje reforzado para dar solución a este tipo de problemas resulta un enfoque muy natural. El comportamiento de los agentes a la hora de seleccionar una acción estará determinado por uno de los algoritmos de aprendizaje reforzado más usados para resolver este tipo de problemas; el Q-Learning. En esta tesis se describen varias funciones de recompensa usadas para cada uno de los objetivos a optimizar. Para dar solución al problema multi-objetivo se hace uso de la Optimalidad de Pareto obteniéndose un frente de soluciones no dominadas. El desempeño del algoritmo propuesto es evaluado usando las instancias de problemas Job Shop que se encuentran en la OR-Library. Los resultados obtenidos son evaluados en términos de dos de las métricas propuestas en la literatura. Dos casos de estudio para el objetivo tardiness son presentados.en_US
dc.description.abstractScheduling problems require the organization in time of a set of tasks which share a finite set of resources, these tasks are subject to a set of constraints imposed by several factors. This type of problem is usually found in real world environments, where the goal is to optimize one or several criteria represented through objective functions. In this work, the Job Shop scheduling problem is studied with the objective of minimizing the makespan and the mean flow time of the jobs. The simultaneous consideration of these objectives is the multi-objective optimization problem under study. The use of agents and reinforcement learning to solve this type of problems is a natural approach. One of the most used reinforcement learning algorithms, the Q-Learning, determines the behavior of the agents when selecting the actions. In this thesis, different reward functions are described for each of the objectives to be optimized. To solve the multi-objective problem the Pareto Optimality is used, obtaining a non-dominated solution front. The performance of the proposed algorithm is evaluated by solving benchmark job shop scheduling problem instances provided by the OR-library. The results obtained are evaluated in terms of two metrics proposed in the literature. Two case studies for the tardiness objective are proposed.en_US
dc.description.sponsorshipFacultad de Matemática, Física y Computación. Departamento de Ciencias de la Computaciónen_US
dc.description.statusnon-publisheden_US
dc.identifier.urihttps://dspace.uclv.edu.cu/handle/123456789/7318
dc.language.isoesen_US
dc.publisherUniversidad Central “Marta Abreu” de Las Villasen_US
dc.rightsEste documento es Propiedad Patrimonial de la Universidad Central “Marta Abreu” de Las Villas. Los usuarios podrán hacer uso de esta obra bajo la siguiente licencia: Creative Commons: Atribución-No Comercial-Compartir Igual 4.0 Licenseen_US
dc.subjectJob Shopen_US
dc.subjectQ-Learningen_US
dc.subjectSchedulingen_US
dc.subjectParetoen_US
dc.subjectMultiple Objectivesen_US
dc.subjectAprendizaje Reforzadoen_US
dc.subject.otherAlgoritmosen_US
dc.subject.otherOptimización Combinatoriaen_US
dc.titleEnfoque multi-objetivo basado en aprendizaje reforzado para problemas de secuenciación de tareas tipo Job Shop (MOQL)en_US
dc.typeThesisen_US
dc.type.thesisbacheloren_US

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Liliana Ortega Sánchez(TESIS).pdf
Tamaño:
2.35 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
3.33 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Tesis de Pregrado - Licenciatura en Ciencias de la Computación