My SciELO
Services on Demand
Article
Indicators
- Cited by SciELO
Related links
- Similars in SciELO
Share
Ingeniería Industrial
On-line version ISSN 1815-5936
Abstract
FONSECA-REYNA, Yunior César; MARTINEZ-JIMENEZ, Yailen and NOWE, Ann. Aprendizaje reforzado aplicado a la programación de tareas bajo condiciones reales. Ing. Ind. [online]. 2018, vol.39, n.1, pp. 36-45. ISSN 1815-5936.
La variante de flujo regular o flow shop scheduling es un problema clásico de programación de la producción. Las primeras publicaciones científicas sobre este problema aparecieron hace más de medio siglo. Sin embargo, muchos autores han reconocido una brecha entre la literatura especializada y la problemática en entornos reales. En este trabajo se modeló el flow shop considerando los tiempos de configuración inicial de las máquinas, tiempos de montaje dependientes de la secuencia, precedencia entre trabajos, omisión de etapas por los trabajos y como función objetivo minimización del tiempo total de procesamiento o makespan. Hasta el momento no existen métodos computacionales que solucionen este problema teniendo en cuenta todas las características mencionadas. Para la solución se adaptó un enfoque del Aprendizaje Reforzado conocido como Q-Learning. Finalmente, se usaron instancias de problemas de diferentes tamaños y complejidad demostrando la efectividad de este método en cuanto a la calidad de las soluciones.
Keywords : aprendizajere forzado; flow shop scheduling; optimización combinatoria; q-learning.