Обучение в целях адаптивного планирования цеха

Обучение по целям адаптивного планирования цеха *

РЕЗЮМЕ

Эффективное планирование производства требует рассмотрения динамики и непредсказуемости производственной среде. Автоматизированная система обучения, используя генетический поиск, предлагается для адаптивного управления в типичных децентрализованного принятия завод этаже решений. Высокого уровня представления знаний в среде моделирования производства разработана с объектами для генетических обучения в рамках этой схемы. Мультиагентных рамках используется, с отдельными агентами ответственных за направление принятия решений на различных рабочих местах. Обучение по отношению к поставленным целям, а также с учетом разнообразия целей планирования, эффективность обучения разработана схема судить через свой ответ в рамках различных целей. Поведение генетического обучения схема анализа и моделирования исследования помогут сравнить, как обучение в рамках различных целей воздействия определенную совокупность мер производительность системы.

Предметные области: Генетические алгоритмы интеллектуальной поддержки решения, машинного обучения и планирования производства.

ВВЕДЕНИЕ

Традиционные подходы к задаче составления расписания применять методы оптимизации для математической постановки задачи и оказались неразрешимыми даже для многих идеализированной ситуации (Graves, 1981; Rodammer

Второе направление исследований сосредоточена на применении различных эвристик, включая направление правил (Blackstone, Phillips,

Приобретение знаний представляет собой серьезную проблему в поисках знаний, подходов для планирования производства, и возникает из-за сложности окружающей среды и тем самым отсутствие надежного человека экспертов, от которого для сбора необходимых знаний. Без надлежащих средств для автоматизированного обучения, основанной на знаниях подходы сегодня в значительной степени воспринимается как непригодные для завода задач календарного планирования (Fox, 1990; Yih, 1990). Обучение обусловлено (часто чрезмерно) время и финансовые соображения в строительстве базы знаний, и необходимость идти в ногу с развивающейся производственной среде.

В статье рассматривается применение генетических алгоритмов для обучения адаптивного планирования стратегии. Она является составной частью проводимого исследования изучают возможность использования эволюционных схем обучения как генетические алгоритмы адаптивного управления в сложных динамических условиях. Айтуг, Бхаттачария, и Келер (1998) исследовали возможность применения данного подхода для простых два этапа шлейф, и первоначальные эксперименты также заявил о своей применимости для более сложных конфигураций, работа-магазин-типа. Эта статья представляет собой подробное исследование в стратегии обучения цеха контроля через несколько интеллектуальных агентов в общей обстановке магазин работу. Основу для использования генетического алгоритма обучения в типичных условиях децентрализации factoryfloor принятия решений предлагается. Несколько независимых агентов каждый из которых отвечает за различные области деятельности и поведения местных отправки решений. Решение стратегии моделируется с помощью символических примитивов. Высокого уровня представления знаний для моделирования производственной среды была разработана с объектами для генетических обучения в рамках этого представления. Предложенная схема направлена планирования стратегии, которые являются местными вдоль временной горизонт, а также выполнять в течение периода планирования деятельности.

Обучение по отношению к поставленным целям. Планирование цели различны, и баланс между различными критериями часто добиваются в реальном мире планирования (Rodammer

В следующем разделе приводится краткий обзор соответствующей литературы по генетические алгоритмы и их приложения к предварительного планирования. Архитектура системы, то изложил, за которым следует описание реализованной системы, в том числе представления знаний и генетических схема обучения в следующих разделах. Результаты исследования работы магазина моделирования затем представляются и последнем разделе обсуждаются управленческих значение и описываются будущие направления исследований показали наши исследования.

Генетический алгоритм ЗАЯВОК НА ПЛАНИРОВАНИЕ

Генетические алгоритмы (газ) обеспечивает мощный параллельной стратегии поиска вдохновлен принципов естественного генетики и эволюции. Они действуют путем моделирования процесса эволюции от численности населения строку структур, каждая из которых представляет собой вариант решения в пространстве поиска. Эволюция популяции состоит из двух основных этапов: (1) механизм выбора, который реализует "выживание наиболее приспособленных" стратегии и (2) генетической рекомбинации от выбранной строки высокого фитнес для производства потомства для нового поколения. Выбор гарантирует, что выше среднего уровня строки способствовать большему числу потомков в следующее поколение (в среднем).

Генетические алгоритмы считаются пригодными для применения в сложных и плохо понимал пространства поиска с потенциально много неконтролируемых или неизмеримых параметров, и отметил, предложить возможность учиться высокопроизводительных правила контроля, когда хорошие модели основной процесс не являются легкодоступными (Grefenstette, 1989). Многие исследователи сообщили, что успех в применении газа по широкому спектру проблем, начиная от управления технологическими процессами (Гольдберг, 1985) и сети связи дизайн (Davis

Дэвис (1985) изложил один из первых подходов к А. задачи календарного планирования. Хиллиард и коллеги (Hilliard, Лиепиньш, Rangarajan,

Еще одно направление исследований стремится использовать методы А. решения задачи коммивояжера (TSP), чтобы получить оптимальное или близкое к оптимальной последовательности ввода forjobs линии или конкретного объекта обработки. График строитель переводит решения хромосомы представление на доступными графики. Specialpurpose генетических операторов рекомбинации для поиска пространство действительных туров были разработаны (Fox

Большинство из этих исследований, однако, принял обычных статических целью определения производственных графиков. Расписание получены в результате генетического поиска до их фактической эксплуатации и без учета состоит из заводских цехов беспорядков, которые неизбежно влекут за собой изменения в расписании. Чтобы быть эффективным в динамических средах, система обучения должна определяться путем изучения условий на конкретные моменты времени (Parunak

Наше исследование стремится применять генетические алгоритмы, чтобы узнать стратегии на высоком уровне планирования на основе рассмотрения текущих условиях цеха. Генетические обучения действует в рамках высокого уровня знаний, утверждает, что модели производственной среды. Специальные операторы рекомбинации были разработаны для проведения генетического поиска в рамках этого представления. Архитектура системы была разработана для облегчения процесса обучения в рамках типичной децентрализованной организации этаже фабрики, как это описано в следующем разделе.

Архитектура для GA-обучения в условиях децентрализации

Архитектура системы была разработана рассмотрении сути децентрализованной организации современной производственной среды (Sycara, Rothm, Саде,

Расписание получены в соответствии с заявленными целями. Диспетчерских решений в области работы могут быть сделаны с учетом местной специфики критериев, а также должно быть совместимо с общесистемных задач. Планирование целей может варьироваться в широких пределах в различных диспетчеров и глобальных целей по производительности можно указать несколько, часто противоречащих друг другу требований (Rodammer

Система использует объектно-ориентированного моделирования окружающей среды. Различных заводских цехов лиц, в том числе областей деятельности, очереди, серверов и рабочих мест (части должны быть изготовлены) реализованы в виде классов объектов. Критерии, диспетчеров, базы знаний, представление знаний примитивов и генетического обучения операторов, также смоделированы с использованием объектов и связанных с ними методов.

На рисунке 1 показано распределенного принятия решений схеме. Моделирование подсистемы моделей окружающей среды. Принятие решений, предусмотренных в качестве децентрализованной деятельности, которые могут включать несколько этапов, и число лиц, принимающих решения. Каждое решение может рассматриваться как обладающую своей собственной базы знаний и генетических обучения проводится отдельно для различных руководящих лиц. Принимая во внимание объектно-ориентированного проектирования, ответственность за принятие решений в этом контексте можно рассматривать как время, распределенных по нескольким интеллектуальных объектов. Объект считается умный, если она влечет за собой базу знаний и принимает меры, основанные на вывод из правил, содержащихся в нем. Такие объекты могут обладать учебного компонента для приобретения необходимых знаний.

Решения оцениваются в соответствии с заданными управленческих целей. По завершении последовательности решений деятельности, оценки модуль обеспечивает числовые оценки выигрыша, что отражает, насколько хорошо глобальные цели были достигнуты. Промежуточные точки выигрыш, указывая на удовлетворение местных целей решения, могут также быть установлены. Эти выигрыша значения используются для распространения кредитных между различными правилами, которые были вызываться для принятия решений. Распределение выигрыша между различными учебных модулей определяется схема назначения кредита.

Генетические обучения в решающей степени зависит от кредитной назначения, а также разработку функций выигрыша и порядке его распределения по лицам, принимающим решения во многом будет зависеть успех в обучении. Развитую систему стремится включить гибкость в том числе несколько объектов оценки в различных точках в решении последовательности. Точная обучения в таких распределенной схемы кредитных уступки, однако, требует координации между различными выигрыша источников, с тем чтобы эффективно модели относительной важности различных критериев оценки для конкретного лица, принимающего решения.

Оба процесса принятия решений и оценки подразделений рис 1, вообще говоря, можно рассматривать как интеллектуальные объекты. Оценка объектов можно рассматривать как управление лиц, отражающих процесс принятия решений задач и могут иметь собственную базу знаний правил, отражающих компромисса между противоречивыми целями возможно. Это знание определяет выплаты связаны с принятия решений альтернатив. Обучения знаний, связанных с эти компромиссы в различных условиях является важным вопросом, тоже, хотя и не рассматривается в этом исследовании.

Адекватное кредитной распределения можно, в общем, связанных с другим, основанной на знаниях компонента в системе. В сложных условиях, это может потребоваться для изучения механизма для определения соответствующей политики в области распределения выигрыша, состоящий из средневзвешенной оценки различных значений для каждого компонента генетического обучения. Такие второй уровень обучения, однако, не были осуществлены в этом исследовании, и заранее кредитной политики назначения предполагается. В следующем разделе представлена информация о разработанной системы.

Внедренная система СТРАТЕГИИ ДЛЯ ИЗУЧЕНИЯ цеха ПЛАНИРОВКА

В этом разделе подробно развитые средства в реализации генетической learningbased системы модели завода моделирование, представление знаний и вывода схем, кредитные уступки политики, а также генетические операторы поиска.

Модель завод моделирование

Производственном объекте организована вокруг рабочих зон, каждая из которых занимает несколько одинаковых серверов (или машины). Рабочих мест, требующих обработки ждать в отдельных очередей для различных областей деятельности. Завершение работы требуется набор операций, выполняемых с указанных областях работы при условии технологически возможным ограничений последовательности. Различные рабочие места могут потребоваться различные этапы обработки, а также ajob могут также иметь альтернативных последовательностей операций.

Событийно-ориентированная имитационная модель реализована с использованием объектно-ориентированных возможностей. Моделирование связанных классов объекта очередь, сервер (компьютер), работа и диспетчер, и эти экземпляры и связаны с обеспечить конкретные конфигурации магазин работу лучшего. Диспетчеров и оценки объектов обеспечить связь с генетическим обучения схеме.

Диспетчер объект, связанный с конкретной очередь несет ответственность за направление принятия решений в этой очереди и влечет за собой базу знаний для этой цели. База знаний, объект содержит правила, которые реализуют разные стратегии диспетчерской, а также по желанию, связанных с генетическими учебного модуля для приобретения знаний. Оценка объектов воплощают различные критерии оценки в соответствии с которым работы оцениваются и присвоить выигрыш к базам знаний, которые сыграли определенную роль в направление работы до данной точки оценки.

Имеющих огромное значение в мультиагентных архитектуры в обеспечении согласованности между деятельностью агентов таким образом, чтобы общая проблема ограничения сохраняются. Здесь нам необходимо обеспечить, чтобы ограничения последовательности операций выполняются для всех рабочих мест в настоящее время проходят обработку. Логического очередь определяется для осуществления этой последовательности. Работа считается для обработки всех областей деятельности, где его следующая операция может быть выполнена. Таким образом, если альтернативные маршруты обработки существуют для работы, он входит несколько логических очередей и считается для отправки всех соответствующих диспетчеров. После того как выбран для отправления из одного из этих логических очередей, работа оставляет других логических очередей.

Представления знаний

Принимая во внимание преимущества применения (Davis, 1991; Grefenstette, 1989), высокого уровня представления знаний разрабатывается. Прямое использование высокий уровень представительства не только более интуитивно привлекательным, но также необходимо для комплексного рассмотрения различных типа планирования знаний. Она также способствует разработке, основанной на знаниях генетических операторов рекомбинации.

Бел и др.. (1989) проводит различие между статической и динамической реквизиты знаний для планирования. Статические знание относится к информации о различных подразделений этаже завода, а также время обработки и последовательности, сроков и целей деятельности. Динамические знаний означает опыт используется для получения возможности и хорошая графика, и включает в себя (1) теоретические экспертного исследования и модели, (2) эмпирический опыт получен за счет использования диспетчерским правила моделирования, и (3) практические, посвященный экспертные заключения человека планировщиков и цеха менеджеров.

Схема вывода

принятия решений диспетчера осуществляется путем вывода схемы. Вывод механизм, работающий через правила в базе знаний диспетчера выбирает одного задания к отправке на каждом этапе принятия решений. Поскольку каждое правило можно выбрать различные подмножества работы, механизм вывода эффектов урегулированию конфликтов, чтобы изолировать одного задания на обработку. Все вакансии в настоящее время в очереди возможных кандидатов для отправки.

Кумулятивного голосования предусматривает распределение по урегулированию конфликтов между различными выбрали работу по различным правилам. При последовательной правила существуют, фактическое распределение голосование применяется, в противном случае виртуальный голосов используются. Работа выбрали вероятностно в соответствии с настоящим голосования распределения. Таким образом, чем большее число голосов, получает работу, тем больше вероятность его принятия выбранной для обработки. Голосование может быть также фитнес-основанные, в котором голоса присвоенный конъюнктов и правила, в пропорции к их значениям фитнеса. В сущности, эта политика направлена на позволит более эффективные правила больше шансов получить работу своих предпочтений.

Кредитные уступке

Фитнес-правил, отражающих различные стратегии решения оценивается посредством обратной связи об эффективности воздействия этих стратегий. Кредитные уступки, предусматривает механизм обратной связи и играет решающую роль в оценке относительной целесообразности правила в настоящее время используются, и их последующих манипуляций по обучению операторов. Полезные правила изучаются в сочетании высокоэффективных конъюнктов. Индивидуальные конъюнктов, таким образом, также присвоен фитнес значения, а часть схемы назначения кредита определяется обеспечить выплаты отдельным конъюнктов в правиле, что будет способствовать освоению конъюнктов.

Генетические операторы

Генетический эффект рекомбинации операторов разведки над пространства поиска. Прямое использование высокий уровень представительства предполагает разработку специальных операторов в соответствии с требованиями решения задач и предназначена представительства. Кроме того, в отличие от традиционных подходов Г.А., представление схеме, считает, отдельных генов (конъюнктов) в хромосоме (правило), имеющие свои собственные ценности фитнеса. Гена приспособленности предоставить дополнительную информацию, которые могут быть полезны для определения процесса поиска. Подробное изложение генетических операторов поискать, можно найти в Айтуг, Bhattacharyya, Колер и Сноудон (1994).

Четыре операторов рекомбинации определены: кроссовера (X), Мутация (г) Обобщение (G), и специализация (S). Скрещивания и мутации являются правила на уровне операторов, а последние два, действующих на атомы, предназначены для ограниченного местного холма восхождения. Отдельные соединяются на уровне оператора мутации также определены. Все операторы, кроме мутации, принимаем индивидуальные значения соединяются фитнес во внимание.

Учитывая, что нет позиционной информации, которую несет в конъюнктов правило, адаптации единого оператора кроссовера (Syswerda, 1989) используется. С учетом двух родителей, различных конъюнктов являются вероятностно выбран (с заменой) для кроссовера на основе их значения тренажерный зал, с более высокой приспособленности подразумевает большую вероятность участия в кроссовер. Потомство может быть сформирован путем объединения выбрали высокопроизводительные конъюнктов от обоих родителей. Альтернативных (в соответствие с обычными кроссовер) является получение потомства 2, путем обмена выбрали конъюнктов в обоих родителей, но оказывается беднее производительности.

Мутация на уровне правило происходит через случайной замены одного соединяются другой того же типа. В случае атома, она заменяется другой случайно созданные атома. Для отдельных атомов, обобщения и специализации, соответственно, расширить или ограничить значение ограничения определены в атрибуте. Обобщение выполняется при фитнес-атом падает ниже некоторого заранее определенного порогового показателя. Специализация защищает от слишком общих атомов, которые не выбирают работу, и применяется, когда фитнес-атом поднимается выше некоторого порога. Мутация, на атомном уровне, случайно изменения диапазона значений или подмножество определяется атома.

Правила, конъюнктов, а Голосов: иллюстрирующий пример

Ниже приводится иллюстративный пример знаний примитивов, правил и голосования основе вывода схеме, описанной выше. Рассмотрим следующие рабочие места в очереди диспетчера частности, на текущий момент моделирования т = 10. Мы предполагаем, что рабочие места J1, .., J8 вступил в очереди в последовательности, как показано в таблице 1.

Рассмотрим следующие правила в базе знаний диспетчера:

Номера на право конъюнктов представлять их соответствующие значения фитнеса. Оценка этих правил считается рабочих мест будет назначать фактических и виртуальных голосов, приведены в таблице 2. Распределение виртуального голосования, вытекающих из этой оценки приведены в таблице 3. Таблица 4 затем дает реальное распределение голосов исходя из фактической голосов, полученных заданий.

ЭКСПЕРИМЕНТЫ И РЕЗУЛЬТАТЫ

Главное преимущество автоматизированной системы обучения заключается в его способности получать highperforming операционную политику данной различных целей планирования. Моделирование исследования проводятся с целью определения эффективности проектируемых объектов в этом направлении. В этом разделе подробно первые цеха конфигурации используются и обсуждаются обучения системы. Реакция системы обучения для различных целей планирования затем рассмотрены на основе статистического сравнения по некоторым совокупные показатели деятельности цеха.

Shop-пол по установке и моделирование

Установка заводских цехов рассматривается в имитационных экспериментов адаптирован из линии для производства полупроводников использованием данных, представленных IBM. Производственном объекте организована вокруг областей деятельности (или инструмент цифры), каждый из которых занимает несколько одинаковых серверов (или машины). Отдельные очереди находятся на разных номеров инструмент. Моделируемой установки цеха показана на рисунке 2. Здесь числа внутри кругов представляют разные области деятельности, и связанных с ними очередей указывалось выше круги с цифрами с приставкой "Вопрос:" Количество серверов для конкретной области работы показали под кругов, заключенных в квадратные скобки. Стрелами из рабочей зоны представляют собой возможные маршруты обработки для работы на следующем шаге, и дело подвергается обработке в одном из этих альтернативных рабочих мест. Нет предпочтения рейтинг по обработке документов между альтернативные места работы рассматривается.

Как видно из рисунка, последовательность обработки включает цикл обратно в некоторых машинах (в общем, испытательных центрах, где рабочих мест вернуться после различных операций). В качестве примера, со ссылкой на рисунке 2, одним из возможных последовательность обработки на работу может быть с помощью следующих областей деятельности: 1, 4, 2, 6, 2, 7, 1, 10, 2, 11. Другая работа может проходить обработку на маршруте: 1, 3, 1, 6, 1, 7, 1, 9, 1, 11.

Время обработки для работы в различных инструментов приведены в таблице 5. Установка время 0,15 считается для изменения операций на компьютере. Разбивка машин и ремонт продолжительность рассчитывается в соответствии с экспоненциальным ставки приведены в таблице 6. Экспоненциальной скоростью прибытия 0,35 считалось, и 10% рабочих мест были назначены высокий приоритет. Время обработки операции на работу было разрешено изменять равномерно до 50% относительно значений, указанных в таблице 5. Для любого конкретного задания, процент изменения о данном обработки раз была одинаковой для всех операций. Работа сроки были равномерно выбрали между 18 и 30 единиц времени.

Дискретных событий моделирования окружающей среды по осуществлению упомянутого выше была разработана с использованием объектно-ориентированных конструкций, а также детали имитационной модели можно найти в "Аль Айтуг и др. (1998). Показатели генетического обучения оценивали путем моделирования системы обучения 100 эпизодов (поколений), начиная со случайно инициализировать базу знаний. При анализе производительности, результаты первоначального поколения не были рассмотрены с целью устранения нарушений и первоначальный чтобы дать время для GA-компонент для адекватного узнать полезных правил эксплуатации. Предварительные опыты показали, что первые 25 поколений покрытия таких последствий; результаты, таким образом, агрегированные в течение последних 75 поколений. Все средние берутся по обучению эпизод, то есть за работу, которая в полной обработки последовательных изменений базы знаний. Представленные результаты свидетельствуют о среднем в течение нескольких моделирования работает проведены с разными случайными семян. При сравнении производительности системы с разными цели обучения, общих случайных чисел используются для сокращения дисперсии.

Влияние системы обучения Параметры

В этом разделе освещаются влияние кроссовера и мутации и логическое обоснование кредитного которые связаны с уступкой параметров. Экспериментальные моделирования работает помогли определить роль различных параметров.

Генетического обучения схема действует через фитнес-пропорционального отбора и рекомбинации операторов, определенных ранее. Кроссовер вероятности определяет ряд правил, которые будут перенесены без изменений (без рекомбинации) в следующем поколении. Потому что меньшие значения соответствуют рекомбинации сокращены, тогда как более высокие значения приведет к уменьшению в настоящее время высокопроизводительные правила выживания, средней дальности можно ожидать выхода лучшей производительности. Производительность системы было отмечено ухудшаться кроссовер ставки меньше, чем 0,5 и выше 0,7, но была относительно стабильной в пределах этого диапазона.

Мутация представляет собой случайный оператор используется для защиты от преждевременной сходимости и обеспечения адекватного поиска по всему пространства поиска. Хотя низкие ставки мутации (порядка 0,01) используются как правило, с двоично-газа, что значительно выше значения необходимости, с участием представителей высокого уровня используется. Это связано с тем, что, в отличие от бинарных представлений, кроссовер оператора здесь только развязки конъюнктов уже присутствует в существующей совокупности норм и не может представить новые конъюнктов в системе. Доступ к знаниям примитивов в настоящее время не в базе знаний, таким образом только в результате мутации. Вероятность мутации составляет около 0,2 условии лучшей производительности. Необходимость увеличения частоты мутаций с недвоичного представлений Кроме того, недавно была выражена в Райт (1991) и Тейта и Смита (1993).

В кредитных назначения, значения K_CONS, K_ACTIVE и K_INACTIVE (определенных ранее) позволяет различать выплаты предоставляются конъюнктов, принадлежащих к последовательной, активной, но противоречивы, и неактивные правила, соответственно. Осмотр базы знаний в процессе обучения, раскрывает влияние этих параметров. В качестве примера, предположим, значения, установленные для K_CONS, K_ACTIVE и K_INACTIVE составляют 0,7, 0,5 и 0,3, соответственно. Такие величины были использованы в первоначальных экспериментов, чтобы отразить снижение желательности конъюнктов, которые способствуют последовательного, активного, но противоречивы, и неактивные правила по порядку.

Рассмотрим иллюстративный правила и связанные с фитнес-значениям, указанным в таблице 7. Здесь, тем выше приспособленность CA_RuleS чем LPT в статье 2 указывается, что CA_RuleS работает лучше по отношению к производительности цели, нежели LPT. Сравнивая два правила, тем меньше пригодности LPT в rule2 могут возникнуть в результате правило не последовательной оценки и, следовательно, в ее состав конъюнктов все ниже выигрыша; Правило 1 не всегда последовательно, соединенный LPT в этом правиле есть высшее фитнес (в связи с K_CONS выше, чем две другие параметры). Нижняя объединенный тонкости также способствовать общему правилу нижней пригодности rule2. Учитывая выше правила фитнес, Rulel в настоящее время выше вероятность дожить до следующего поколения, более эффективные CA_RuleS от rule2 имея меньший шанс на выживание. Высокопроизводительные соединяются, как CA_RuleS здесь, либо ввод базы знаний посредством мутации являются ее неотъемлемой частью несовместимым правило, либо через кроссовер поиске себя, как часть несовместимым правило, могут таким образом, не в состоянии выжить.

Такие ситуации могут быть решены путем присвоения равные выплаты в конъюнктов независимо от того, они являются частью последовательного, активного, но несовместимых или неактивное правило. Это желательно на ранних стадиях поиска при больших область поиска необходимо изучить. Дифференциальные значения K_CONS, K_ACTIVE и K_INACTIVE могут быть полезны при более целенаправленный поиск последовательной и активной правила желательно в направлении более поздних этапах. Такие динамические параметризации, однако, не был рассмотрен на экспериментальные результаты, представленные в настоящем документе, и эти три параметра были настроены на ту же фиксированную стоимость.

Как уже говорилось ранее, голосование основе схема используется для выбора рабочих мест для отправки из ожидающих в очереди. Конъюнктов и правила назначить устройство голосов на голосование распределений. Ранние эксперименты с этой схемой голосования показали довольно высокую степень случайности в процессе отбора работу в разы. Анализ распределения голосования и соответствующих баз знаний, показали, что это происходит, когда на момент принятия решения, больше чем на одной работе с таким же числом голосов назначены. В отсутствие каких-либо дополнительных политики урегулирования конфликтов, работа, то, отобранных для отправки наугад. Если, например, базы знаний, содержащихся 5 последовательных правил друг с голосования за другую работу, то один из этих пяти рабочих мест будет случайно быть выбраны для отправки.

Фитнес-голосования на основе списков схема была реализована для осуществления дальнейшего урегулирования конфликта. Отметив, что высокие нормы и фитнес конъюнктов, учитывая их доказанную более высокую производительность, заслуживают большее значение в принятии решений, голосов установленного правилами и конъюнктов взвешиваются по их текущих значений пригодности. Фитнес основе голосования дает значительный прирост производительности. Более сложную схему было бы рассмотреть вопрос о дисперсии фитнес-значения, как в дисперсии факторов торгов механизм, предложенный в (Гольдберг, 1990). Вес связан с правилом или соединенный число голосов здесь было бы в зависимости от ее пригодности ценность, а также его дисперсии на выплаты получил, с более высокой дисперсией интерпретируется как указание на низкую надежность.

Обучение под различные цели

Обоснование для наших экспериментов проистекает из осознания того, что в сложной и динамичной среды, желаемого поведения системы может быть известна, но правила контроля и операционную политику для достижения этой проблемы не могут быть получены легко. Иными словами, мы знаем, чего хотим, но не в том, чтобы достичь этого. Может ли система с автоматическим обучаемость, то, учитывая некоторые выражения желаемого поведения, научиться работать с системой таким образом, удовлетворяющих этому желаемое поведение? Желаемое поведение выражается в цели (фитнес-функции). Для определения эффективности такого обучения объекта, система работает в рамках различных целей входного и полученные результаты служебной деятельности проанализированы в связи с ожиданиями, выраженные в соответствующих целей. Спектакль также по сравнению с простой диспетчерских правил (Blackstone и др.., 1982; Panwalkar

Моделирование выполняется помочь определить способность проектируемой системы по реагированию на различные цели планирования. проходит несколько моделирования проводится по каждой поставленной цели с использованием общих случайных чисел уменьшить дисперсию и Ъ-тесты используются при сравнении производительности.

Четыре различных целей считаются. Первые два из них единого критерия, основанного, и стремиться свести к минимуму общего потока работы время и медлительность, соответственно. Третья цель выражает желание иметь высокий приоритет работы полного или до их сроки, но в то же время, постараться минимальной общее время работы потока. Четвертая цель дальнейшего добавляет критерия минимизации работу опоздание. Цели переводятся в фитнес-функция, которая обеспечивает более высокую выигрыша для повышения производительности, и только положительные выплаты не допускаются. Три совокупные показатели производительности системы используются для определения воздействия этих целей. Среднее время, поток рабочих мест, и среднее число рабочих мест отражает запоздалое рассмотрение течения времени и из-за современных критериев, основанных, соответственно, и средний опоздания приоритетных мер рабочих мест удовлетворение приоритетов работы основе целей.

Wi веса для различных критериев могут быть установлены с учетом компромиссов, связанных между этими критериями.

Разработки фитнес-функции, чтобы выразить решение качества включает в себя "искусство" в разработке генетических алгоритмов. Выше функции являются примером простой подход агрегирования нескольких критериев и вес значения были получены путем первоначального экспериментирования. Более сложные схемы, которые считают, например, Парето оптимальности (Луи

Производительность некоторых часто используемых правил диспетчерского также представлены и помогает сравнить эффективность системы обучения. Первый пришел, первым обслужен (ПСС) политика часто используется на практике для сложных сред и обеспечивает основу для сравнения. Кратчайшее время обработки (SPT), действие, как "неминуемой кратчайшие сроки обработки" (с учетом только следующей операции), является одним из наиболее широко используемых правил и отметил эффективность на снижение среднего течения времени и количества рабочих мест запоздалый (Baker, 1984; Блэкстон и др.., 1982). Первый срок (ЭДД), широко используются эвристические, что берет за актуальную информацию во внимание, как известно, свести к минимуму максимальное опоздание и позднего (Baker). Первый живой очереди с приоритетом (FCPR), осуществляющий ПСС, но предпочтение приоритетных рабочих мест, обеспечивает основу для сравнения на приоритетных целей, связанных с.

Таблица показывает, 8а среднем показатели деятельности в рамках различных учебных целей, а также их стандартных отклонений. Таблица 8, b показывает аналогичные результаты с рассмотрел диспетчерских правил, здесь результаты со всеми диспетчерами в операционной системе в соответствующих диспетчерских правила. Для ЭДД, среднее число рабочих мест запоздалый довольно большой, но в среднем опоздание позднеспелых рабочих мест оказалось низким, это в соответствии с поведением сообщили в литературе (Baker, 1984; Блэкстон и др.., 1982). Интересно, что обучение по опоздания цель не отображает те же функции, ЭДД. Что касается среднего количества рабочих мест запоздалый, обучение по опоздания цель заметил, дают наилучшие общую производительность системы.

Принимая во внимание два приоритетных основе целей, ниже среднего числа рабочих мест запоздалый получается, как и ожидалось, используя FTLTPR, который включает в себя некоторые duedate информации, связанной не с FTPR, что больше внимания уделяется приоритетное рабочих мест. 2 приоритетных задач, связанных, FTPR и FTLTPR, разработаны с идеей минимизации опоздания приоритетных рабочих мест среднего опоздания приоритетных рабочих мест наблюдается быть значительно ниже, с этими двумя целями. Учитывая поток раз, СПД, как и ожидалось, приводит к низкой средней потока раза, а также выполняет SPT и на среднее количество рабочих мест запоздалым. Обучение в рамках объективного времени поток показывает, что аналогичные общее поведение для СПД. Это также свидетельствует парных сравнений.

Таблицы 9, 10 и 11 (а, б, в, г, д) обеспечить парных сравнений между различными обучения цель основе моделирования и диспетчерского правил. Таблица 9A показывает каких-либо существенных различий между обучающих систем с различными целями в среднем раз поток рабочих мест. Среди диспетчерского правилами, только SPT (табл. 9, в) дает значительно ниже среднего течения раза больше, чем целей обучения. Здесь отметим, что разница между SPT и обучения в соответствии с целью течения времени дает высшее р-значение (0,012) по сравнению с другими целями. Таблицы локомотив "и ООО" также показать различия между SPT, и поток времени Обучение, основанное на незначительными. Цель потока времени таким образом, показывает ожидаемое поведение аналогично СПД.

С Юа таблице, как ожидается, медлительность цель показывает, значительно ниже среднего числа рабочих мест запоздалый, чем любой из других учебных целей. Также обратите внимание, как (TD - FTPR) значительно выше, чем (TD - FTLTPR). Здесь FTLTPR, включающий частичное опоздания связанных критерия, приводит к снижению среднего числа рабочих мест, чем запоздалый FTPR; такая же разница также очевидна из (FTLTPR - FTPR), а также из таблицы, б-ПЭП, в которых выше различия отмечены в сравнение с FTLTPR, чем против FIPR. Таблица показывает, что, б SPT выполняет значительно лучше, чем FTPR, но не может существенно превзойти обучения, в котором некоторые опоздания связанных критерием является частью цели (TD и FrLTPR). Как уже упоминалось ранее, хотя и ЭДД доклады больше среднего числа рабочих мест запоздалый (табл. Лод), она обеспечивает более низкую среднюю медлительности запоздалый рабочих мест.

Сравнение с FT FTPR, общее число рабочих мест запоздалый выше для FTPR, это снова будет ожидать, учитывая дополнительную нагрузку на FTPR общественного питания приоритетных заданий. FTPR, с другой стороны, не значительно лучше, чем FT в среднем опоздание приоритетных работ (табл. 11). Глядя на среднее количество рабочих мест запоздалый получены FT против информацию, полученную благодаря FTLTPR, мы замечаем, что включение опоздание в качестве критерия при FTLTPR не дает значительно более высокую производительность-результат тот факт, что несколькими целевыми функциями, фитнес часто приводит к компромиссам по этим различным критериям. Больший вес позднего фактор FTLTPR даст повышения производительности в среднем число рабочих мест запоздалый, но за счет приоритетного медлительность работы. Разница между FTPR и FTLTPR, однако, имеет важное значение, с критерием работы позднего FTLTPR вклад в его привело к снижению среднего числа рабочих мест запоздалым. Компромисс в этом случае в среднем опоздание приоритетных работ, для которых FTLTPR дает большее значение, чем FTPR (табл. Па).

Парные сравнения в таблицах 1-ла-Ли также выставку достигнутых результатов в соответствие с интуитивным ожиданиям. Таблица ла показывает, что цели обучения, которые считают приоритетом работы выполнить значительно лучше по отношению к средней опоздания приоритетных заданий. Опять же, мы замечаем, ожидается компромиссы в исполнении FFLTPR сравнению с программами FTPR - FTLTPR, с его дополнительного рассмотрения опоздание, производит значительно хуже, чем FTPR. Таблицы ЛАБ, ООО, доктор юридических наук и еще раз продемонстрировать, что, если цель обучения считает приоритетным рабочих мест, средняя опоздания приоритетных работ значительно ниже. FCPR правило дает низкий средний опоздания на работу приоритет и выполняет значительно лучше, чем цели обучения, которые считают какому-либо критерию в дополнение к работе приоритет (табл. ложь). Различия между FCPR и обучения с целью FrPR, однако, дает ар-значение 0,02, что указывает на эффективность FrPR цель свести к минимуму опоздания приоритетных рабочих мест.

РЕЗЮМЕ

Сложность планирования производства, в сочетании с динамикой и непредсказуемостью окружающей среды цеха, представляет собой сложнейшую задачу решения. В настоящем документе рассмотрены адаптивная схема автоматизированного обучения планирования стратегии. Обучения компонент генетических алгоритмов, а также работает на высоком уровне представления знаний предназначен для моделирования стратегии цеха планирования. Язык представления стремится включать различные конструкции производственного домена, которые могут иметь отношение к отправке принятия решений. Схема вывода переводит планирования стратегии, заложенные в базу знаний правил для конкретного задания, отобранных для отправки в любой момент принятия решения. Механизм кредитной уступки оценивает целесообразность решения (с учетом целей планирования) и обеспечивает выплаты к знаниям примитивов, участие в принятии решений.

Первые результаты указали на пригодность данного подхода для планирования в простой среде потока магазине два этапа и при условии предварительного идеи в ее применимости в работе цеха, конфигураций (Айтуг и др.., 1997). Это исследование фокусируется на общей среды магазин работу и устанавливает мультиагентных рамок отдельных агентов, ответственных за направление принятия решений на различных рабочих мест в цехах. Выполнение генетические системы обучения рассматриваются, в том числе роль и поведение различных параметров разработана и экспериментальные результаты свидетельствуют о целесообразности адаптивной схеме обучения в управления работой сложной и динамичной среды.

Экспериментальное исследование иллюстрирует подход к изучению соответствующих стратегий данной операционной желаемых целей деятельности. Эксперименты с различными функциями четыре фитнес включения различными комбинациями критериев эффективности показывают, что система обучения делает реагировать желательным следующим образом конкретных задач. Результаты также демонстрируют ожидаемые компромиссов между различными критериями. Адаптивного обучения подход обеспечивает, таким образом лица, принимающие решения объекта для работы сложных условиях проблемы на основе спецификации желаемых целей деятельности.

ЗНАЧЕНИЕ

Традиционные подходы к планированию являются недостаточными в моделировании сложности реалистичные этажа заводского изготовления и обработки разнообразных ограничений, производственных задач, а также цеха неопределенности (Graves, 1981; Rodammer

Эта статья описывает гибкого подхода, отправляя решения принимаются с учетом существующих в настоящее время условиях. Информация о текущем состоянии оперативной обстановки закреплено в правилах в базах диспетчеров знаний. Эти правила также указать, какого-либо действия с точки зрения рабочих мест, чтобы быть выбраны для отправки в настоящее время решения. базы знаний диспетчера, таким образом определяет планирование стратегии, которые временно местных и Г. А. Обучение, основанное на этих стратегий с течением времени гарантирует, что решения принимаются в соответствии с заявленными общесистемных целей. Адаптивный характер разработанная система играет важную роль в поддержании общей надежный уровень производительности.

В плохо понимал областях, как современный цехов, взаимодействие между операционной политики и целей деятельности, зачастую неясен. Менеджеры могут знать, что желательно, но не могут сформулировать операционную политику, которые удовлетворяют поставленным целям. Разработанной системой, в таких случаях предусматривает, принимающего решение с объекта для автоматизированного обучения операционной политики посредством спецификации желаемых целей деятельности. Наши результаты показывают, что адаптивная GA-система может узнать стратегии цеха эксплуатации в соответствии с различными задачами, поставленными принятия решений. Принимающего решение предусматривает выполнение целей в виде фитнес-функции для поиска генетических и может включать несколько критериев, как правило, стремились в планировании цеха.

Система, как один описанные в этой работе могут быть использованы руководителями заводе в автономном режиме симуляции для определения соответствующих стратегий планирования, удовлетворяющих заданным целям деятельности. Для реализации всего потенциала адаптивной схеме обучения, однако, система может быть предусмотрено параллельно с цеху, с физическими операции определяются действия, предусмотренные системой. Третья возможность для запуска системы имитационного моделирования в автономном режиме и периодически обновлять операционную политику фактического физического цеха из базы знаний, постоянно узнал, такие обновления могут быть определены, например, снижением производительности действующих правил эксплуатации.

БУДУЩИХ ИССЛЕДОВАНИЙ

Моделирование платежных функций для различных целей производства является решающим фактором для эффективного обучения планирования стратегии, которые удовлетворяют этим целям. Производство планирования ищет различные цели, и зачастую желания компромиссов между многочисленных противоречивых критериев (Rodammer

Как упоминалось ранее, архитектура системы предусматривает несколько точек оценки для распределенного принятия решений в сложных условиях. Представлены эксперименты рассматриваются только одной функции выигрыша в конце последовательности решения. При оценке и кредитные уступки имеющие исключительно важное значение для эффективного выполнения Г.А., создание промежуточных точек оценки, а также разработку соответствующих структур выигрыша, охватывающими эти несколько точек выигрыша является важным вопросом в настоящее время ведется расследование.

Мы также отметить, что получить критерии для оценки также knowledgeintensive задача и далеко не тривиальный в сложных условиях производства. Оценка объектов в нашей системе, архитектура, в целом, включают базы знаний для осуществления различных компромиссов между противоречивыми целями возможно деятельности. Будущие исследования должны также рассмотреть вопросы, связанные с приобретением необходимых знаний для проведения оценки.

Экспериментов, проведенных в этом исследовании имеют ценный взгляд на поведение генетического подхода обучения и роли различных параметров. Как отмечалось ранее, например, изменяющихся во времени параметров кредитной уступки обеспечить механизм для контроля за поиск внимания. Преимущества различных мутаций уровнях Сообщалось также, в литературе (Schraudolph

В динамичной среде, как один считается здесь, различные наборы правил может показывать хорошие результаты в разнородных ситуациях, а также базы знаний не может стабилизировать или совпадают. Долговременной памяти, сохраняя самые эффективные правила в течение периода моделирования, имеет несколько потенциальных преимуществ в этой ситуации. При внесении изменений в окружающей среде причиной существующей базы знаний работает плохо, база знаний может быть посеян с правилами из долговременной памяти, что позволяет предварительно хорошо функционирующих правил вступить в процесс принятия решений. Когда отметил с состоянием окружающей среды, правил в долговременной памяти и обеспечить набор правил, которые хорошо в различных ситуациях.

Наконец, как отмечалось ранее, в имитационной модели с обучением агентов может быть запущен в синхронизации с работой физической цеха. Агенты адаптировать свои стратегии с учетом меняющихся условий и поставленных целей, и политики в конкретной операции могут быть взяты из базы знаний, когда надлежащий уровень производительности реализуются в имитационной модели. Вопросы, связанные с такой практической реализации разработанного подхода в заводских цехов должны быть исследованы. [В редакцию: 10 августа 1995. Принято: 28 февраля 1997.]

* Авторы хотели бы поблагодарить Джейн Сноудон и Gary Sullivan в корпорации IBM для обеспечения цеха данных. Искренне благодарю также два анонимных судей и помощник редактора для внесения предложений в совершенствовании рукописи.

Ссылки

Атлан, L., Бонне, J.,

Айтуг, H., Bhattacharyya, S.,

Айтуг, H., Bhattacharyya, S., Келер, Г. J.,

Управление науки, 30, 1093-1104.

Бел Г. Bensana Е., Дюбуа Д., Erschier, J.,

Биегел, J. Е.,

Брунс, R. (1992). Включение знаний, планирование на основе системы на генетический алгоритм. В трудах GI-Jahrestgung. Лондон: SpringerVerlag.

Buxey, G. (1989). Производство планирование: практика и теория. Европейский журнал

исследования операций, 39, 17-31.

Кливленд, Г. А.,

Дэвис, Л. (1985). Работа магазина планирования с генетическими алгоритмами. В JJ Grefenstette (ред.), Труды Первой международной конференции по генетике и их приложения. Питсбург, Пенсильвания: Carnegie-Mellon University, 136-140. Дэвис, Л. (1991). Гибридизация и численного представительства. В Л. Дэвис (ред.),

Справочник генетических алгоритмов. Нью-Йорк: Райнхольд ИЛ, 61-71. Дэвис Л.,

DeJong, К. (1988). Обучение с использованием генетических алгоритмов: обзор. Машинного обучения, 3, 121-138.

Форрест, S.,

Фокс, М. С. (1990). Ограничение наведением планирования-краткая история исследований в Университете. Компьютеры в промышленности, 14, 79-88.

Фокс, М. С.,

Голдберг, Д. Е. (1985). Генетические алгоритмы и правила обучения в динамической системы управления. В JJ Grefenstette (ред.), Труды Первой международной конференции по генетике и их приложения. Питсбург, Пенсильвания: CarnegieMellon университет, 8-15.

Голдберг, Д. Е. (1989). Генетические алгоритмы поиска, оптимизации и машинного обучения. Чтение, М.: Addison-Wesley.

Голдберг, Д. Е. (1990). Вероятность соответствия, величина подкрепления, и ставки классификатора системы. Машинного обучения, 5, 407-425. Голдберг, Д. Е.,

Грейвс, С. C. (1981). Обзор планирования производства. Исследование операций,

29 (14), 646-675.

Грин, Д. P,

Хиллиард, М. Р., Лиепиньш, Г. Е., Rangarajan Г.

Хиллиард, М. Р., Лиепиньш, Г. Е.,

Мужья, P, мельница, F.,

Канет, J. J.,

проводимости планирования. Wirtschaftsinformatik августа. Kusiak А.,

Ли И., Сикора, Р.,

имеет отношение? Интерфейсы, 18 (4), 84-90.

Muhlenbein, H., ущелий-Schleuter, М.,

Panwalkar, С. С.,

Исследования, 25, 45-61.

Parunak В.,

Rodammer, Ф. А.,

Schraudolph, Н. Н.,

Смит, С. F. (1992). Основанная на знаниях управления производством: подходы, результаты и перспективы. Планирования и управления производством, 3 (4). Сух, J. Y,

Sycara К. Rothm, S., Саде, N.,

Syswerda, G. (1991). Расписание оптимизации с использованием генетических алгоритмов. В Л. Дэвис (ред.), Справочник генетических алгоритмов. Нью-Йорк: Райнхольд ИЛ, 333-349.

Тейт, Д. М.,

Uckun, S., Bagchi, S.,

расписаний. IEEE экспертов, октябрь, 15-24 лет.

Уитли, Л. Д., Старкветер, T.,

Райт, А. H. (1991). Генетические алгоритмы для реальной оптимизации параметров. В GE Ролинс (ред.), "Основы генетических алгоритмов. Сан - Матео, штат Калифорния: Морган Кауфманн, 205-218.

Yih, Y (1990). Трейс driven приобретения знаний для основанной на правилах системы реального планирования времени. Журнал интеллектуальных Производство, 1, 217-230

Сиддхартха Bhattacharyya

Департамент информации и Decision Sciences, Колледж делового администрирования, Университет штата Иллинойс в Чикаго, 601 С. Морган Street, Chicago, IL 60607, адрес электронной почты: @ sidb МСЖД. образование

Gary J. Келер

Решение и информационных наук, Колледж делового администрирования, Университет Флориды, FL 32611, адрес электронной почты: <a href="mailto:koehler@nervm.nerdc.ufl.edu"> koehler@nervm.nerdc.ufl.edu </ >

Сиддхартха Bhattacharyya является доцентом в Департаменте информации и Decision Sciences в бизнес-колледжа Университета Иллинойса в Чикаго. Он получил докторскую степень в Университете Флориды в 1993 году. В настоящее время его научные интересы в области интеллектуальной поддержки принятия решений помощью машинного обучения, генетические алгоритмы, и мультиагентных систем.

Gary J. Келер является Джон Б. Хайдон видный ученый, профессор Решение и информатики в Уоррингтон школы бизнеса Университета штата Флорида. Недавно он был профессором и области головы на Краннерт Высшая школа менеджмента в университете Пердью.