Algoritmo multi-objetivo para la solución de problemas de secuenciación de tareas tipo Job Shop

Vista sencilla de ítem
dc.contributor.advisorMartínez Jiménez, Yailen
dc.contributor.authorRodríguez Bazán, Erick David
dc.coverage.spatialSanta Claraen_US
dc.date.accessioned2018-04-09T19:09:52Z
dc.date.available2018-04-09T19:09:52Z
dc.date.issued2016-11-10
dc.description.abstractDurante las últimas décadas, los algoritmos multi-objetivo han captado considerable atención. El problema de secuenciación tipo Job Shop, uno de los principales problemas de optimización, también ha generado el interés de la comunidad científica. Sin embargo, la mayoría de los algoritmos multi-objetivo que se han desarrollado para este problema están basados en enfoques no profesionales, es decir, la mayoría de ellos combinan sus objetivos y resuelven el problema multi-objetivo a través de enfoques basados en un solo objetivo, exceptuando a un reducido grupo de investigadores que utilizan algoritmos basados en la Frontera de Pareto. Además, gran parte de la literatura solo permite optimizar entre dos y tres objetivos, y estos están predefinidos de antemano. En esta tesis se implementa un algoritmo multi-objetivo usando sistemas multi-agente y Aprendizaje Reforzado basado en la Frontera de Pareto que permite optimizar el makespan, el tiempo de inactividad de las máquinas, la tardanza total y la robustez. El algoritmo fue implementado de manera genérica para si se desea, agregar un nuevo objetivo, solo sea necesario incluir una nueva clase. El algoritmo propuesto se aplicó a un conjunto de instancias para optimizar los objetivos tratados y finalmente los resultados experimentales muestran que el algoritmo implementado en esta tesis es capaz de superar a otros propuestos en la literatura y desde el punto de vista multi-objetivo cumple con las métricas utilizadas para evaluarlo.en_US
dc.description.abstractIn recent decades, the multi-objective algorithms have captured significant attention. Job shop scheduling problems are one of the most complex scheduling problems and are commonly encountered in manufacturing industries. Most of the studies are based on optimizing one objective, excepting a reduced group of researchers that use the Pareto Front approach. Besides, generally, in these approaches, it is only possible to optimize two or three objectives which are predefined with anticipation. In this thesis, we implemented an Multi-objective and Multi-agent Reinforcement Learning algorithm based on the Pareto Front that optimizes the makespan, machines idle times, tardiness and robustness. The algorithm is generic because it allows to add a new objective if you desire, and for that it only necessary to include a new class. The proposed algorithm was applied to a set of instances to optimize different objectives and finally experimental results show that the algorithm implemented in this thesis is able to improve other algorithms proposed in the literature and it gives good results when multi-objective metrics are used to evaluate it.en_US
dc.description.sponsorshipFacultad de Matemática, Física y Computación. Departamento de Computaciónen_US
dc.description.statusnon-publisheden_US
dc.identifier.urihttps://dspace.uclv.edu.cu/handle/123456789/9216
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.subjectAlgoritmo Multiobjetivoen_US
dc.subjectSolución de Problemasen_US
dc.subjectSecuenciaciónen_US
dc.subjectTareas Tipo Job Shopen_US
dc.subject.otherSecuenciaciónen_US
dc.subject.otherTareasen_US
dc.subject.otherAprendizaje Reforzadoen_US
dc.subject.otherFrontera de Paretoen_US
dc.subject.otherOptimización Multiobjetivoen_US
dc.subject.otherSolución de Problemasen_US
dc.subject.otherAlgoritmoen_US
dc.subject.otherDiseño e Implementaciónen_US
dc.titleAlgoritmo multi-objetivo para la solución de problemas de secuenciación de tareas tipo Job Shopen_US
dc.typeThesisen_US
dc.type.thesismasteren_US

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Maestría Erick Rodriguez.pdf
Tamaño:
767.24 KB
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 Maestría - Ciencias de la Computación